Secondo WIRED, il tasso di successo dei migliori modelli OpenAI testati su problemi scientifici teorici è passato da circa il 2% verso la metà del 2024 a circa il 35% verso la metà del 2026. Il risultato riguarda un benchmark circoscritto a sei ambiti teorici: non misura la capacità dell’IA di svolgere esperimenti o simulazioni.
Che cosa indica il passaggio dal 2% al 35%
I valori arrotondati corrispondono a una differenza di circa 33 punti percentuali; il 35% è circa 17,5 volte il 2%. Sono calcoli basati sulle percentuali riportate da WIRED, non misurazioni aggiuntive. Descrivono i risultati aggregati del benchmark nei due periodi considerati.
La prova riguardava problemi teorici in cui la soluzione non richiedeva esperimenti o simulazioni. È questa delimitazione a dare il senso del dato: il benchmark misura la capacità di risolvere quei problemi, non la ricerca scientifica in ogni sua forma.
Modelli, discipline e condizioni della prova
WIRED riferisce che i ricercatori hanno testato OpenAI o1, o3, GPT-5, GPT-5.1, GPT-5.4 e GPT-5.5 su problemi tratti da articoli di ricerca pubblicati online tra dicembre 2025 e maggio 2026. Gli ambiti erano probabilità, teoria statistica, teoria economica, teoria delle alte energie, gravitazione e cosmologia, e fisica quantistica. Durante i test l’accesso a Internet era bloccato; le soluzioni usate come riferimento comparivano in articoli pubblicati dopo i cutoff di addestramento dei modelli.
Il confine tra teoria e ricerca sperimentale
Il benchmark si concentrava su problemi affrontabili senza simulazioni o esperimenti. Perciò i suoi risultati riguardano il ragionamento teorico sul campione esaminato, non la capacità di condurre ricerca sperimentale.
La verifica delle singole soluzioni resta un passaggio centrale. WIRED riferisce che OpenAI ha ritirato diverse soluzioni da un dataset dopo la pubblicazione. Gabriel Manso, membro del gruppo di ricerca, ha sottolineato che una risposta può sembrare corretta finché non si esamina l’intera dimostrazione: servono quindi sia il giudizio dei ricercatori sia metodi per controllare i passaggi. La necessità di valutare le singole rivendicazioni è al centro anche della precedente copertura di NeoTeo sulla prova di Navier–Stokes annunciata da OpenAI.
BootLoops segue un percorso diverso
Un esempio distinto arriva dal lavoro descritto da Science: ricercatori hanno usato Claude insieme a BootLoops, una suite di strumenti, per cercare strutture matematiche ricorrenti nella letteratura scientifica. In una prima applicazione, il software ha affrontato 30 esempi di una classe di integrali, 15 dei quali descritti come non risolti in precedenza. Il lavoro più ampio ha portato a 36 preprint e si è esteso a diversi campi, tra cui linguistica, biologia evolutiva ed ecologia.
BootLoops non fa parte del benchmark sui modelli OpenAI: è un flusso di ricerca assistito dall’IA, con domande selezionate e risultati valutati insieme a esperti. Il confronto mette in luce due usi diversi: misurare la soluzione di problemi teorici definiti e affiancare i ricercatori nell’esplorazione di problemi scientifici.
