Claude porta un limite zeta di Riemann al 67,2%

Cosa ha davvero comunicato Anthropic

Il 10 agosto 2026, Anthropic ha pubblicato una nota di ricerca che descrive cosa è successo quando l'azienda ha indirizzato una versione di ricerca non rilasciata di Claude verso l'ipotesi di Riemann, la congettura del 1859 secondo cui ogni zero non banale della funzione zeta di Riemann ha parte reale uguale a un mezzo. Claude non ha dimostrato l'ipotesi. Ha fatto avanzare una domanda aperta più ristretta e vecchia di decenni: quale frazione di quegli zeri i matematici riescono a dimostrare con rigore che si trova su quella retta critica. Il record precedente, detenuto dal 2020 da Kyle Pratt, Nicolas Robles, Alexandru Zaharescu e Dirk Zeindler, fissava quella frazione dimostrabile al 41,6 per cento.

L'esecuzione di ricerca di Claude ha portato la frazione al 67,2 per cento, un risultato che secondo Anthropic è stato in realtà un sottoprodotto di un tentativo più ampio sull'ipotesi completa, non l'obiettivo originario. L'azienda formula il numero con cautela: si tratta di un risultato di limite inferiore su un sottoproblema preciso e ben definito, non di un passo che risolve o che ci si aspetta risolva la congettura vecchia di 167 anni in se stessa.

Dentro lo sciame di 60 agenti

La meccanica è la parte più insolita della storia. Lavorando all'interno di Claude Code su due sessioni, il modello ha impiegato circa un giorno e mezzo, dell'ordine di 36 ore, per coordinare circa 60 subagenti Claude. Ha consumato 31 milioni di token di output e ha emesso circa 2.400 comandi shell. Dei 60 agenti, solo 2 hanno sviluppato l'idea matematica che alla fine ha funzionato; 13 hanno contribuito con elementi a supporto di quell'idea; 30 hanno tentato approcci alternativi e hanno fallito; e 13 hanno agito da validatori, controllando il lavoro invece di produrlo. Prima di trovare la linea d'attacco vincente, lo sciame aveva già provato e scartato circa 650 idee precedenti.

L'intuizione che ha sbloccato la situazione è stata trattare gli zeri sulla e fuori dalla retta critica come punti di un unico spazio geometrico unificato invece di analizzare i due casi separatamente, il che ha prodotto una disuguaglianza sottostante più forte. L'approccio si basava su lavori pubblicati dai matematici Baluyot, Goldston, Suriajaya e Turnage-Butterbaugh, combinati con un articolo di Enrico Bombieri del 2000, il che significa che il modello stava proseguendo un filone di ricerca umano esistente invece di inventare il campo dal nulla.

Perché la dimostrazione in Lean è il dettaglio che conta

Che un grande modello linguistico affermi un nuovo limite matematico non è, di per sé, prova di nulla: i modelli producono regolarmente dimostrazioni scorrevoli ma sbagliate. Ciò che cambia le cose qui è che Claude non si è limitato ad affermare il risultato, ma ha prodotto una formalizzazione in Lean, un assistente alla dimostrazione che verifica ogni passaggio logico rispetto a un insieme fisso di assiomi e regole di inferenza, senza spazio per approssimazioni. Anthropic riferisce che la formalizzazione in Lean supera la validazione automatizzata standard, il che costituisce una forma di prova categoricamente diversa da un modello che si limita ad affermare che un numero è vero.

Oltre al controllo automatico, Anthropic ha fatto esaminare l'articolo da esperti esterni: i teorici dei numeri Brian Conrey e Dan Goldston hanno esaminato il lavoro con pochissimo preavviso, insieme ai matematici interni di Anthropic Levent Alpoge e Ralph Furman. Questa combinazione, un verificatore formale di dimostrazioni più esperti umani identificati per nome e disposti a mettere la propria firma su una revisione, è ciò che distingue questo caso dal flusso costante di affermazioni matematiche generate dall'IA che circolano senza che nessuno le controlli.

Il confronto con 37 anni di progresso umano

Il riferimento storico è ciò che rende leggibile il balzo. Il progresso su questo limite specifico è stato un lavoro lento, durato decenni: G. H. Hardy dimostrò per primo nel 1914 che infiniti zeri si trovano sulla retta critica, Atle Selberg dimostrò che lo fa una proporzione positiva, Norman Levinson raggiunse circa un terzo nel 1974, lo stesso Brian Conrey raggiunse circa due quinti nel 1989, e il gruppo Pratt-Robles-Zaharescu-Zeindler raggiunse il 41,6 per cento nel 2020. Nel complesso, i matematici umani hanno spostato quella frazione dimostrabile di circa 0,8 punti percentuali nei 37 anni precedenti a questa esecuzione.

Lo sciame di Claude l'ha spostata di 25,6 punti percentuali in circa un giorno e mezzo. Non si tratta di affermare che le macchine siano ora matematici migliori delle persone che hanno passato quei 37 anni a costruire gli strumenti su cui Claude si è basato; l'esecuzione si è fondata esplicitamente su risultati umani pubblicati da Baluyot, Goldston, Suriajaya, Turnage-Butterbaugh e Bombieri. È un'affermazione sulla velocità con cui una ricerca ben finanziata e ben verificata può avanzare una volta che le basi esistono e uno sciame ampio di agenti può esplorarle in modo esaustivo.

Cosa rivela sulla traiettoria delle capacità dei laboratori di frontiera

Il modello utilizzato era esplicitamente non rilasciato e riservato alla ricerca, il che è di per sé rivelatore. Significa che il divario di capacità tra ciò che un laboratorio di frontiera può dimostrare internamente e ciò che arriva ai clienti paganti è abbastanza ampio da produrre un risultato simile prima che il modello sottostante sia reso pubblico. Anthropic, OpenAI e Google DeepMind hanno pubblicato ciascuno risultati di questo tipo legati alla matematica negli ultimi due anni, e lo schema è costante: versioni di ricerca interne vengono usate per sondare i limiti di capacità su problemi difficili e verificabili molto prima di qualsiasi rilascio commerciale.

L'architettura conta quanto il modello. Non si è trattato di un'unica lunga conversazione che ha prodotto un'unica lunga risposta; si è trattato di orchestrazione, decine di subagenti che lavoravano in parallelo, la maggior parte dei quali falliva, con il processo principale che gestiva l'esplorazione e uno strato di validatori che controllava il lavoro candidato. Questo schema di sciame più verificatore, non la mera dimensione del modello, sembra essere la parte che i laboratori di frontiera stanno attualmente scalando più rapidamente, ed è la parte con maggiori probabilità di comparire negli strumenti agentici commerciali molto prima che un laboratorio affermi di aver risolto un problema aperto di matematica pura.

Cosa dovrebbero davvero trarne i responsabili R&S europei

Il teorema in sé non cambierà un bilancio. Ciò che è trasferibile per un'azienda europea ad alta intensità di R&S, un gruppo farmaceutico che conduce screening di molecole, un fornitore automotive che itera su nuovi materiali, un produttore di semiconduttori che convalida progetti di circuiti, è il flusso di lavoro: uno sciame ampio di agenti che attacca un problema in parallelo, la maggior parte dei quali dovrebbe fallire, controllato da un verificatore formale o automatizzato in grado di respingere risposte sbagliate senza che un essere umano debba controllare ogni singolo candidato. Questa combinazione ha permesso a un giorno e mezzo di calcolo di superare 37 anni di lavoro umano rigoroso e riconosciuto su questa singola questione ristretta.

La riserva onesta è che la matematica possiede qualcosa che la maggior parte dei problemi di R&S aziendale non ha: Lean, un verificatore capace di dimostrare la correttezza senza alcuna ambiguità. La scienza dei materiali, le interazioni farmacologiche e la convalida dei circuiti hanno equivalenti parziali, suite di simulazione, test fisici, strumenti di verifica formale per la logica dei chip, ma raramente qualcosa di così ermetico quanto una dimostrazione in Lean. La conclusione realistica per un responsabile R&S europeo che valuta flussi di lavoro assistiti dall'IA non è aspettarsi a breve un momento ipotesi-di-Riemann nel proprio dominio; è chiedersi quale degli strumenti di verifica già presenti nella propria organizzazione, per quanto parziale, potrebbe diventare quel controllo automatizzato che rende uno sciame ampio di agenti affidabile e non solo veloce.

Da leggere ora: Cognizant ha formato 30.000 persone su 350.000  |  Doveva prenotare un corso in palestra. Ha violato il sistema di prenotazione.