Tag: collaborazione

  • Matematica 2.0: non conta chi arriva primo

    Matematica 2.0: non conta chi arriva primo

    A poco più di due mesi dall’eclatante caso della risoluzione del problema di Navier-Stokes, OpenAI ritorna a far discutere i matematici di tutto il mondo. Prima con la pubblicazione di un repository di GitHub contenente centinaia di lavori, ognuno dei quali rappresenta un passo avanti in questioni aperte di matematica o informatica. E, pochi giorni fa, con il rilascio di ulteriori risultati, questa volta dedicati al modello standard e all’ipotesi del tempo esponenziale.

    A seguito di questi sviluppi, la medaglia Fields Terence Tao ha scritto un interessante articolo per la rivista Nature, in cui rilancia il ruolo fondamentale della matematica, anche ai tempi dei più avanzati modelli di AI.

    La “matematica tradizionale”, per così dire la Matematica 1.0, si è sempre basata sulla difficoltà di trovare la soluzione ad un problema aperto. Processo che è sempre stato appannaggio di una ristretta cerchia che potesse avere le (enormi) competenze necessarie. Una corsa, certo, a chi arrivava primo: ma una corsa che poteva durare decenni.

    Con l’introduzione dei nuovi modelli linguistici, il lento, meticoloso, snervante e, in ultimo, indescrivibilmente appagante processo di scoperta matematica è stato drasticamente capovolto. Una delle caratteristiche chiave della matematica è la verificabilità oggettiva: per controllare una dimostrazione bastano, se vogliamo essere un po’ romantici, carta e penna, e nessuna condizione esterna. Oggi il controllo si può fare anche meccanicamente, al computer, scrivendo il ragionamento in un linguaggio formale come Lean.

    E qui entra in gioco l’intelligenza artificiale. La verificabilità di una dimostrazione attraverso la sua digitalizzazione rende la matematica un ambito perfetto per l’utilizzo dei moderni modelli linguistici. Ecco che, d’un tratto, la scarsità è stata trasformata in una abbondanza di dimostrazioni. Una AI avanzata può trovare le risposte a problemi che si ritenevano difficili in un intervallo di tempo relativamente breve e senza che la persona dietro la macchina abbia competenze matematiche così profonde.

    Una delle conseguenze più preoccupanti di questo meccanismo è la discrepanza tra quello che un modello produce e quello che un matematico può controllare. I ricercatori si trovano letteralmente sommersi di dimostrazioni da verificare senza avere una chiara visione generale dell’avanzamento della disciplina. In qualche modo, i risultati arrivano più in fretta di quanto la comunità matematica riesca a digerirli, cioè a comprenderli a fondo.

    Ma, come spiega Tao, tutto questo non è inevitabile. E’ giunto il momento di pensare ad un cambio di paradigma, di passare ad una Matematica 2.0. Questa evoluzione viene descritta attraverso tre punti chiave.

    1. I contributi alla disciplina devono essere valutati in maniera olistica, non solo sulla base di chi arriva per primo al risultato.
    2. Gli strumenti di intelligenza artificiale devono essere usati per fare ricerca in maniera nuova, non semplicemente in maniera più veloce.
    3. I matematici devono poter contare su modelli open source pensati per la ricerca, senza dipendere da aziende il cui interesse è mettere in vetrina i propri modelli.

    Quello che mi ha colpito nell’agenda delineata da Tao è stata la possibilità di trasportare questa visione anche nel mondo della scuola.

    Non conta chi arriva primo

    Credo che trasmettere agli studenti l’importanza del processo rispetto al puro risultato finale sia un grande insegnamento. I grandi problemi della matematica sono spesso dei fari che illuminano la strada verso idee e teorie inedite, non dei semplici ostacoli da superare e mettersi alle spalle. Nell’era dell’intelligenza artificiale non ha più senso premiare chi arriva per primo alla soluzione, bisogna valutare invece gli avanzamenti e le intuizioni che vengono proposti dai ricercatori. Ed è altrettanto indispensabile puntare sulla collaborazione. Grandi team, anche internazionali, potranno affrontare problemi intrecciati che nessun singolo matematico, e nessun sistema di AI, riuscirebbe a dominare da solo. E in questo viaggio di esplorazione, anche un vicolo cieco può rivelarsi quasi più importante del risultato che si intende raggiungere. Può offrire spunti inattesi, suggerire idee innovative e addirittura portare a domande inaspettate a cui è importante dare risposta. In altre parole, contribuire a mantenere feconda la ricerca matematica.

    La matematica può così diventare, per gli studenti, una metafora dell’importanza della sinergia di più menti diverse che, ognuna a modo suo, contribuisce a creare un risultato molto più profondo della somma dei singoli pezzi. In aula questo si traduce nel riconoscimento del tentativo, anche quello che non va a buon fine. Dobbiamo stimolare gli studenti a non essere spaventati dagli errori ma a riconoscerli come un passaggio inevitabile nel percorso di scoperta e crescita. Tra i nostri studenti ci saranno i ricercatori di domani, se vogliamo un passaggio ad incentivi diversi nella ricerca non possiamo continuare a premiare solo la risposta corretta che viene data nel tempo più breve possibile.

    Alla ricerca di pattern

    Tutti gli studenti usano l’intelligenza artificiale, pensare diversamente sarebbe anacronistico. Il nostro ruolo di insegnanti, ce lo siamo già detto, ci impone anche di trasmettere le modalità corrette per utilizzare questi nuovi strumenti. Certo, si può chiedere ad un modello di risolvere un dato problema ancora irrisolto e vedere cosa succede. Oppure, si può far lavorare un gruppo di modelli su milioni di problemi di difficoltà diversa (compito irrealizzabile per un umano) e chiedere che vengano cercati pattern e somiglianze. Da questi possono scaturire nuove domande che vale la pena esplorare. Un altro esempio ancora: invece di investigare problemi aperti, cercare con l’AI la spiegazione di dimostrazioni non del tutto capite o nuove dimostrazioni al posto di dimostrazioni note ma non soddisfacenti.

    Uno spunto che potrebbe essere suggerito in classe è prendere un teorema noto per avere tante dimostrazioni, per esempio il teorema di Pitagora o l’irrazionalità di √2. Dall’analisi delle varie dimostrazioni gli studenti possono provare a fare ipotesi su quali idee sono davvero essenziali per la risoluzione del problema e quali invece sono dettagli di una dimostrazione particolare.

    Immaginazione

    Il filo rosso che unisce tutti questi aspetti e che, in ultima analisi, distingue noi esseri umani dalle macchine, è l’immaginazione. Assaporare il processo di scoperta è l’esaltazione più grande della capacità di immaginare percorsi e idee originali. Accettare che il risultato finale non sia più l’obiettivo supremo ma solo un mezzo per avanzare nella conoscenza è una lezione che tocca molti aspetti della nostra vita. Trovare strategie innovative per utilizzare consapevolmente i potenti modelli che la tecnologia ci offre ci aiuterà anche nel complesso compito di monitorare questi stessi modelli e di evitare che ci sorpassino. Forse è questa la lezione da portare in classe: il risultato non è più il traguardo, ma il punto da cui partire per capire. Ed è una lezione che vale ben oltre la matematica.