L'AI divora la scienza: cosa mostrano davvero i risultati più recenti
Il 29 settembre il National Bureau of Economic Research ha pubblicato un working paper. Descrive un flusso di lavoro open source in cui un modello linguistico di grandi dimensioni riproduce, migliora ed estende ricerche economiche già pubblicate. Il flusso ha segnalato discrepanze in 3.460 dei 4.452 pacchetti di replica.

Il NBER Working Paper 35782, datato settembre 2026, è comparso sul sito dell'ufficio il 29 settembre. Gli autori Matthew Schwartz, Isaiah Andrews e Jesse M. Shapiro descrivono un flusso di lavoro in tre passaggi. Prima riproduce i calcoli originali di un articolo. Poi verifica le discrepanze con i risultati pubblicati. Infine esegue un'analisi di sensibilità automatica.
Su 4.452 pacchetti di replica pubblicati da cinque riviste di economia, il flusso ha segnalato discrepanze in 3.460 articoli o nei loro allegati. Non significa che la maggior parte dell'economia sia sbagliata. Misura quanto spesso una ri-esecuzione automatica non coincide con i risultati stampati. Le cause possono essere errori di codifica, disallineamenti di versione o scelte non documentate. Il paper riporta altri due dati. In 496 articoli il flusso ha ridotto il tempo di calcolo di oltre un fattore 10, con precisione simile o superiore. In 923 articoli ha prodotto estensioni assenti dal lavoro originale ma coerenti con i suoi obiettivi e le sue ipotesi.
Una dichiarazione onesta dentro il paper stesso
Il paper contiene una dichiarazione da leggere prima di citare i risultati. Afferma che nell'analisi e nella scrittura sono stati usati modelli linguistici di grandi dimensioni. Schwartz ha lavorato come collaboratore esterno per Anthropic. Il paper precisa che Anthropic non approva i risultati né le opinioni espresse. Shapiro è stato in passato visiting retribuito presso Microsoft Research New England e consulente retribuito per FutureOfCapitalism. È stato inoltre pagato per scrivere dal New York Times. Un livello di trasparenza così alto è raro nel settore. Permette ai lettori di valutare i conflitti, che esistono davvero.
I matematici discutono della stessa cosa
Due post pubblicati il 29 settembre affrontano la questione dal punto di vista della matematica pura. Dan Romik scrive sul suo blog dell'annuncio di OpenAI su una soluzione al problema di Navier-Stokes. Dice che i matematici sono in ansia per il loro ruolo futuro. Cita la reazione di Scott Aaronson come una sequenza della lettera A. Romik sostiene poi che questa ansia è fuori luogo.
La ricerca matematica è un ciclo di retroazione che genera nuova conoscenza in un processo costante di riesame, assimilazione e distillazione del sapere esistente, nel tentativo di migliorarlo, scrive Romik.
La tesi tecnica di Romik è più stretta di quanto suggeriscano i titoli. I modelli di AI addestrati su corpora esistenti possono generare teoremi, nella sua formulazione, a distanza uno dalla conoscenza prodotta dagli umani. Ci riescono più in fretta di quanto le persone possano fare. Tuttavia, sostiene, non sono in grado di riflettere su quell'output, di semplificarlo, di estrarre perché una dimostrazione funziona o di generalizzare l'idea per riutilizzarla. Lasciato solo, prevede, un sistema autonomo si blocca dopo la prima ondata e affoga nel proprio output. Stephen Wolfram sviluppa un argomento affine in un lungo post datato 28 settembre e pubblicato il 29 settembre. Scrive che l'AI moderna è soprattutto un modo di attingere al corpus esistente del sapere umano. Il nucleo della matematica pura, dice, è l'immaginazione umana che guida la scelta delle domande da porre. Wolfram distingue anche l'AI dal calcolo. L'AI estrae ciò che gli umani hanno già prodotto. Il calcolo parte da una regola e la esegue, generando risultati irriducibilmente nuovi. Chiama questa proprietà irriducibilità computazionale.
Lo strato industriale si muove in parallelo
I risultati della ricerca arrivano insieme ad annunci commerciali che trattano la ricerca autonoma come una funzione di prodotto. CoreWeave ha pubblicato un post il 29 settembre per presentare ARIA, un agente di programmazione integrato in Weights & Biases. Legge gli esperimenti di un team, formula un'ipotesi, scrive una configurazione e avvia l'esecuzione tramite W&B Launch. Poi valuta il risultato rispetto a una baseline e prepara una bozza di report.
L'azienda dice che ARIA costruisce workspace, pannelli e report condivisibili su W&B invece di restituire testo. È disponibile nell'app mobile di Weights & Biases. Il post era stato pubblicato in origine sul blog di W&B il 29 luglio, secondo una riga in cima alla pagina. Il sito di CoreWeave lo riporta con data di settembre. Oracle ha fatto una mossa simile il 29 settembre, annunciando Fusion Claw, un runtime di esecuzione agentica governata per le sue Fusion Applications. L'azienda dice che sono disponibili 25 applicazioni agentiche basate su Claw, parte di un portafoglio di 75. Dice che il runtime combina un modello di frontiera con il calcolo aziendale deterministico, con un Outcome Receipt come registro verificabile di ciò che è stato eseguito. L'annuncio di Oracle cita l'amministratore delegato Mike Sicilia. Secondo il comunicato, i sistemi girano su Oracle Cloud Infrastructure e sono alimentati da modelli di frontiera tra cui Gemini e OpenAI, con il supporto per altri previsto.
L'hardware insegue lo stesso problema dal lato dell'energia. Efficient Computer ha dichiarato il 29 settembre di aver raccolto 97 milioni di dollari in un round Series B guidato da TQ Ventures. Il totale raccolto sale così a 173 milioni di dollari, su una valutazione di 650 milioni. L'amministratore delegato Brandon Lucia scrive che i processori dell'azienda offrono un'efficienza energetica da 10 a 100 volte migliore rispetto alle architetture CPU tradizionali. Dice che sta lanciando Electron E1 in volume per sistemi embedded di AI fisica. L'affermazione viene dal post sul blog dell'azienda e non è stata verificata in modo indipendente.
Energia, acqua e i luoghi chiamati a ospitarla
L'espansione dei data center ha una geografia, e quella geografia ha una politica. CBC News ha riferito il 29 settembre del ministro dell'Energia di Terranova e Labrador, Lloyd Parrott. A metà settembre, durante una sessione speciale dell'Assemblea legislativa sull'accordo di Churchill Falls, ha detto che la porta della provincia è aperta agli investimenti. Un portavoce del dipartimento, Brodie Thomas, ha confermato a CBC che aziende hanno contattato il governo a proposito di data center. Ha detto che non si poteva commentare discussioni commercialmente sensibili. CBC cita Paris Marx, autore di un libro sui data center, che si chiede se abbia senso dare quell'elettricità ai data center quando potrebbero esserci usi migliori. Andrea King, amministratrice delegata di TechNL, ha detto all'emittente che il Labrador soddisfa i criteri cercati dai proponenti: idroelettrico a basse emissioni, clima freddo e terreno. Ma questo da solo non rende un progetto una buona idea.
Il dibattito non è solo canadese. CBC nota che il data center previsto da Meta nella contea di Sturgeon, in Alberta, dovrebbe costare 13 miliardi di dollari ed entrare in funzione in due o tre anni. Nota che il premier della Nuova Scozia, Tim Houston, ha fissato cinque condizioni iniziali per qualsiasi proponente. L'aritmetica energetica dietro tutto questo è vecchia e fuori moda. Sustainable Energy Without the Hot Air di David MacKay, il cui sito riporta come data di ultima modifica il 29 agosto 2015, resta il riferimento standard per i conti a spanne. La pagina era ancora in evidenza il 29 settembre.
Una trattazione più recente è di Hannah Ritchie, che ha pubblicato un'analisi dell'elettrificazione sul suo Substack il 29 settembre. Partendo dai numeri del professor Nick Eyre di Oxford, riporta che la domanda finale globale di energia scende da 416 a 247 exajoule in un sistema post-transizione, circa il 40% in meno. La domanda di elettricità sale da 110 a 189 EJ. Le auto elettriche convertono in movimento circa l'80% dell'energia, contro il 20% della benzina, scrive. Il modello presume che tutti i settori non elettrificati funzionino a idrogeno. Lei stessa segnala che si tratta di una semplificazione.
Cosa ha stabilito davvero questa settimana
Nulla di quanto precede dimostra che l'AI abbia sostituito i ricercatori. Il paper del NBER è un lavoro su un flusso di lavoro di replica, non un'affermazione su una scoperta. L'argomento di Romik è una previsione, non un risultato. Dice chiaramente che non ritiene che siamo già in quel mondo. Quello di Wolfram è un saggio. Ciò che la settimana ha stabilito è che gli strumenti per la replica e l'estensione automatica di lavori pubblicati ora esistono allo scoperto. Il loro tasso di errore su un corpus ampio è abbastanza alto da contare. E chi costruisce l'infrastruttura commerciale vende autonomia su una scala temporale molto più breve di chi riflette su a cosa serva l'autonomia.
Fonti
9- 01An LLM Workflow That Reproduces, Improves, and Extends Published Economics ResearchEN
- 02The feedback loop of mathematics researchEN
- 03What's the Future for Pure Math Research in the Age of AI?EN
- 04Introducing CoreWeave ARIA: AI Research and Iteration AgentEN
- 05Oracle Extends Fusion Agentic Applications with Introduction of Fusion ClawEN
- 06Solving computing's energy problem with Efficient Computer's $97M Series BEN
- 07AI data centres in N.L.? The door is 'open for business,' says energy ministerEN
- 08Electrification efficiency: The world will need less energy after the transitionEN
- 09Sustainable energy without the hot airEN
Tutti i numeri e le citazioni di questo testo provengono dalle fonti elencate sotto.
I contenuti sono stati preparati dalla redazione con il supporto dell'IA.
Commenti
0- Nessun commento — sii il primo.