L'AI divora la scienza: cosa dicono davvero i risultati più recenti

Il documento è il NBER Working Paper 35.782, datato settembre 2026, ed è apparso sul sito dell'istituto il 29 settembre. Gli autori, Matthew Schwartz, Isaiah Andrews e Jesse M. Shapiro, descrivono il funzionamento del flusso: prima riproduce i calcoli originali di un articolo, poi verifica le discrepanze con i risultati pubblicati, infine esegue un'analisi di sensibilità automatizzata.

I pacchetti di replica esaminati provengono da cinque riviste di economia e sono 4.452. In 3.460 articoli, o nei loro allegati, il flusso ha segnalato discrepanze. Non significa che la maggior parte della ricerca economica sia sbagliata. Indica quanto spesso una ri-esecuzione automatica non coincida con quanto pubblicato: per un errore di codice, una versione software diversa o una scelta non documentata. Lo stesso paper riporta altri due dati. In 496 articoli il flusso ha ridotto il tempo di calcolo di oltre dieci volte, con accuratezza simile o superiore. In 923 articoli ha prodotto un'estensione assente nell'originale ma coerente con i suoi obiettivi e ipotesi.

Una dichiarazione onesta nel paper

Prima di citare questi risultati, vale la pena leggere la dichiarazione di trasparenza. Il paper NBER specifica che LLM sono stati usati per l'analisi e la stesura. Schwartz ha lavorato come contractor per Anthropic; il testo precisa che i risultati e le opinioni non sono avallati da Anthropic. Shapiro è stato in passato visiting retribuito presso Microsoft Research New England e consulente retribuito per FutureOfCapitalism, oltre a essere stato pagato per scritti dal New York Times. È più trasparenza di quanto ne offrano la maggior parte degli annunci in questo campo. I conflitti di interesse esistono e i lettori possono valutarli.

I matematici discutono della stessa cosa

Due post pubblicati il 29 settembre affrontano la questione dal lato della matematica pura. Sul suo blog, Dan Romik scrive che, dopo l'annuncio di OpenAI di una soluzione al problema di Navier-Stokes, i matematici temono per il ruolo che resterà loro. Cita la reazione di Scott Aaronson, una fila di lettere A, e sostiene che questa lettura ansiosa sia sbagliata.

La ricerca matematica è un ciclo di feedback che genera nuova conoscenza attraverso un processo costante di riesame, digestione e distillazione del sapere esistente, cercando di migliorarlo, scrive Romik.

La sua tesi tecnica è più stretta della versione da titolo. I modelli di AI addestrati sul corpus esistente possono generare teoremi che, secondo lui, stanno a distanza uno dalla conoscenza umana, e lo fanno più in fretta delle persone. Quello che non possono fare, sostiene, è riflettere sull'output, semplificarlo, estrarre il motivo per cui una dimostrazione funziona e generalizzare l'idea per riutilizzarla. Lasciato a se stesso, un sistema autonomo si blocca dopo la prima ondata e annega nel proprio output, prevede.

Stephen Wolfram sviluppa un argomento simile in un lungo post datato 28 settembre e pubblicato il 29. Scrive che l'AI moderna è innanzitutto un modo per attingere al corpus della conoscenza umana. Al centro della matematica pura c'è l'immaginazione umana che guida la scelta delle domande. Wolfram traccia una linea tra AI e calcolo. L'AI estrae ciò che gli umani hanno già prodotto. Il calcolo, partendo da una regola e eseguendola, genera risultati irriducibilmente nuovi, una proprietà che chiama irriducibilità computazionale.

Il livello industriale si muove in parallelo

I risultati di ricerca arrivano insieme ad annunci commerciali che trattano la ricerca autonoma come una feature di prodotto. CoreWeave ha pubblicato il 29 settembre un post che presenta ARIA, un agente di coding integrato in Weights & Biases. ARIA 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 afferma che ARIA costruisce workspace, pannelli e report condivisibili su W&B, invece di restituire solo testo, ed è disponibile nell'app mobile di Weights & Biases. Il post era stato pubblicato originariamente sul blog di W&B il 29 luglio, come indica una riga in cima alla pagina, mentre 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. Sono disponibili 25 applicazioni agentiche basate su Claw, parte di un portafoglio di 75. 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 cita Mike Sicilia, CEO dell'azienda. I sistemi girano su Oracle Cloud Infrastructure e sono alimentati da modelli di frontiera, tra cui Gemini e OpenAI, con supporto per altri previsto, secondo il comunicato.

L'hardware insegue lo stesso problema dal lato energetico. Efficient Computer ha dichiarato il 29 settembre di aver raccolto 97.000.000 di dollari in una Serie B guidata da TQ Ventures, portando il totale a 173.000.000 di dollari con una valutazione di 650.000.000. Il CEO Brandon Lucia scrive che i processori dell'azienda offrono un'efficienza energetica da 10 a 100 volte superiore rispetto alle architetture CPU tradizionali. L'azienda sta lanciando in volumi l'Electron E1 per sistemi embedded di AI fisica. L'affermazione proviene dal blog aziendale e non è stata verificata indipendentemente.

Energia, acqua e i luoghi chiamati a ospitarla

L'espansione del calcolo ha una geografia, e la geografia ha una politica. CBC News ha riferito il 29 settembre che il ministro dell'Energia di Terranova e Labrador, Lloyd Parrott, ha detto alla House of Assembly, durante una sessione speciale sull'accordo di Churchill Falls a metà settembre, che la porta della provincia è aperta agli affari. Un portavoce del ministero, Brodie Thomas, ha confermato a CBC che il governo è stato contattato da aziende per data centre, ma non ha potuto commentare discussioni commercialmente sensibili. CBC cita Paris Marx, autore di un libro sui data centre, che si chiede se abbia senso destinare quell'elettricità ai data centre quando potrebbero esserci usi migliori. Andrea King, CEO 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 osserva che il data centre pianificato da Meta nella contea di Sturgeon, in Alberta, dovrebbe costare 13.000.000.000 di dollari ed entrare in funzione in due o tre anni. Il premier della Nuova Scozia, Tim Houston, ha fissato cinque condizioni di partenza 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 ultima modifica il 29 agosto 2015, resta il riferimento standard per i calcoli approssimativi. La pagina continuava a emergere nelle ricerche anche il 29 settembre.

Un'analisi più recente arriva da Hannah Ritchie, che il 29 settembre ha pubblicato sul suo Substack uno studio sull'elettrificazione. Lavorando sui numeri del professore 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 presuppone che tutti i settori non elettrificati funzionino a idrogeno; lei segnala che si tratta di una semplificazione.

Cosa ha stabilito davvero la settimana

Niente di tutto questo dimostra che l'AI abbia sostituito i ricercatori. Il paper NBER è un lavoro su un flusso di replica, non un'affermazione sulla scoperta. L'argomento di Romik è una previsione, non un risultato, e lui dice chiaramente di non credere 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 esistono ormai in open source. Il loro tasso di errore su un corpus ampio è abbastanza alto da contare. Chi costruisce l'infrastruttura commerciale vende autonomia su tempi molto più brevi di chi riflette su a cosa serve l'autonomia.