A febbraio, in occasione dell’India AI Summit a Nuova Delhi, Demis Hassabis, cofondatore di Google DeepMind, ha proposto un esperimento mentale che va dritto al cuore di ciò che l’intelligenza artificiale sa fare e non sa fare. Addestra un LLM su tutto ciò che si conosceva fino al 1911, ha suggerito, poi chiedigli di ricavare la teoria della relatività generale di Einstein, pubblicata nel 1915. Se ci riuscisse, sarebbe, per usare le sue parole, “un buon test per la AGI”. Diversi team di ricerca hanno tentato da allora varie versioni di questo esperimento. I risultati sono istruttivi, e non nel modo in cui gli ottimisti dell’IA potrebbero sperare.
Perché la relatività generale è il punto di riferimento giusto
La teoria di Einstein del 1915 non è solo un famoso pezzo di fisica. È un autentico cambiamento di paradigma: una riconceptualizzazione completa della gravità intesa come deformazione dello spazio-tempo causata dalla massa, anziché come una forza che agisce a distanza. La teoria oggi sostiene la cosmologia, informa la ricerca sui buchi neri e sulle onde gravitazionali, e guida ogni giorno nell’uso pratico i satelliti GPS. È, in altre parole, tanto intellettualmente radicale quanto empiricamente consequenziale.
Quella combinazione è precisamente ciò che la rende un utile punto di riferimento. Tom Zahavy, ricercatore di Google DeepMind, ha approfondito il test in un saggio intitolato “LLMs can’t jump”, pubblicato a gennaio. La sua argomentazione attinge a una distinzione che i filosofi della scienza riconoscono da tempo: la differenza tra il ragionamento induttivo, che deriva regole generali da dati accumulati, e il ragionamento abducente, che inventa una causa per un fenomeno singolo. Il salto di Einstein è stato abducente. Gli attuali modelli di IA sono, per progettazione, motori induttivi. Identificano pattern statistici attraverso vasti set di addestramento. Non inventano cause. Non fanno salti.
Cosa è successo quando i ricercatori ci hanno provato davvero
Il ricercatore indipendente di IA Michael Hla, con sede a San Francisco, ha costruito un modello che chiama Machina Mirabilis, addestrato su dati precedenti al 1900, e ha testato se fosse in grado di ricostruire la meccanica quantistica, la relatività ristretta e la relatività generale. Ha fornito prompt deliberati: osservazioni sull’effetto fotoelettrico, l’essenza dell’esperimento mentale dell‘“ascensore” di Einstein. In alcuni casi, il modello ha prodotto output suggestivi. Messo di fronte all’effetto fotoelettrico, ha descritto la luce che si scompone in “impulsi distinti”, accennando al concetto di quanti di luce. Ma Hla ha concluso che il modello ha fallito nella maggior parte dei casi, mancava di una vera comprensione della fisica che produceva, e spesso “ripeteva a pappagallo parole che sembrano plausibili” senza alcuna forte rappresentazione interna del mondo su cui ragionare.
Nick Levine, un informatico indipendente anch’egli basato a San Francisco, ha riscontrato un problema diverso ma ugualmente rivelatore. Il suo team ha costruito un modello d’epoca addestrato solo su materiale disponibile fino al 1930, una data scelta perché le opere pubblicate quell’anno sono entrate nel pubblico dominio negli Stati Uniti all’inizio del 2026. L’obiettivo era verificare se un tale modello potesse giungere autonomamente a concetti sviluppati negli anni trenta, tra cui le macchine di Turing, il teorema di incompletezza di Gödel e la postulazione dei neutrini. L’ostacolo non è stato il ragionamento del modello. Erano i dati di addestramento stessi. I testi storici sono crivellati di artefatti di digitalizzazione e linguaggio arcaico. Peggio ancora, i dati si sono rivelati “fastidiosamente permeabili”: il modello presumibilmente pre-1930 rispondeva spontaneamente e correttamente a domande su eventi degli anni cinquanta, assorbendo conoscenze che non avrebbe mai dovuto avere.
Sendhil Mullainathan, informatico del MIT, ha affrontato il problema diversamente. Il suo team ha fornito a un modello di base di “meccanica orbitale” dati sintetici su sistemi planetari che obbediscono alla meccanica newtoniana, chiedendo poi di inferire la legge di gravitazione sottostante. Il modello non ha mai recuperato la vera legge. Ha invece inferito una legge diversa e scorretta per ogni sistema planetario. Stava adattando curve, non scoprendo principi.
Cosa rivela tutto ciò sulla natura della scoperta scientifica
Ecco cosa la maggior parte della copertura mediatica sull’IA nella scienza si perde: le scoperte più difficili nella storia della conoscenza non sono arrivate dall’avere più dati. Sono arrivate dall’avere l’idea giusta su dati scarsi o anomali. Le attente osservazioni di Keplero sul moto planetario erano limitate nel numero, ma hanno dato a Newton la materia prima per costruire le sue leggi della gravitazione e del moto. La relatività generale di Einstein è emersa da un esperimento mentale su un ascensore, non da un database.
Ido Kaminer, specialista in ottica quantistica al Technion di Haifa e coautore di un preprint intitolato “Can AI follow in Einstein’s footsteps?”, sostiene che una scoperta della portata della relatività non sia intrinsecamente fuori dalla portata dell’IA. Ma richiederà di ripensare i principi fondamentali di come sono costruiti i modelli attuali. L’architettura che rende gli attuali LLM potenti nella previsione e nel riconoscimento di pattern è la stessa architettura che li rende strutturalmente inadatti al tipo di ragionamento creativo e di costruzione di modelli del mondo che produce cambiamenti di paradigma.
C’è della sfumatura qui. Un chatbot di OpenAI questo maggio ha smentito una congettura vecchia di ottanta anni del matematico ungherese Paul Erdős, e Mullainathan la descrive come un “autentico progresso concettuale”, che ha richiesto piccole nuove astrazioni anziché una ricerca a forza bruta. Ma anche quel risultato ha attinto a idee già presenti nella letteratura matematica. È stata sintesi, non rivelazione.
In breve
L’IA sta diventando un potente strumento per la scienza: trova pattern, accelera il calcolo e ora può contribuire in modo significativo alla matematica. Quello che non riesce ancora a fare è ragionare partendo quasi dal nulla per arrivare a qualcosa di veramente nuovo. Il test di Einstein non è solo un abile punto di riferimento. È una descrizione precisa del divario tra ciò che l’IA attuale fa bene e ciò che la scoperta scientifica, nella sua forma più trasformativa, richiede realmente.
Basato su un articolo di Nature: Machine Learning.