La prova formale muove il capitale

Il precedente: quattro secoli per una certezza

Nel 1611 Johannes Kepler propose una congettura sulla densità massima dell'impacchettamento delle sfere. Il medesimo enigma antico apre questa analisi. La risposta intuitiva era chiara fin da subito. La dimostrazione rigorosa richiese quasi quattro secoli di lavoro.

Thomas Hales annunciò una prova nel 1998, con un'architettura che univa argomenti matematici e calcolo esteso. I revisori della rivista dedicarono anni al controllo e dichiararono una fiducia parziale, poiché la mole computazionale eccedeva la verifica umana diretta. Restava un margine di dubbio. Il progetto Flyspeck chiuse quel margine. Nel 2015 un gruppo guidato da Hales pubblicò una prova formale completa della congettura di Kepler, verificata dagli assistenti dimostrativi HOL Light e Isabelle, come documenta l'articolo depositato su arXiv il 9 gennaio 2015^[1].

Questo dettaglio conta. Una prova controllata da due sistemi indipendenti elimina la dipendenza dalla fiducia in un singolo revisore umano. La certezza diventa riproducibile. La congettura riguarda la disposizione più densa di sfere identiche nello spazio. Il problema affonda le radici nella storia della matematica e della fisica, come ricostruisce la voce enciclopedica dedicata^[2]. Il precedente ha una struttura precisa: un enigma antico, un calcolo che eccede l'uomo, una macchina che certifica. La medesima struttura è oggi attiva altrove.

Il pattern attuale: la macchina che verifica

Un risultato matematico del 2015 sembra distante dai flussi di capitale. L'apparenza inganna. La stessa tecnologia, la verifica formale eseguita da una macchina, torna oggi al centro della corsa all'intelligenza artificiale. Anthropic ha avviato un lavoro sulla formalizzazione dell'Ultimo Teorema di Fermat, un tentativo di rendere controllabile da una macchina una delle prove più celebri della matematica moderna, descritto nella sua ricerca pubblica^[3].

Tre casi bastano a chiamarlo un pattern. Kepler nel 2015, i progressi degli assistenti dimostrativi nel decennio successivo, Fermat oggi. La direzione resta coerente. Il capitale insegue capacità visibili. Trascura le fondamenta. Questo divario tra ciò che affascina e ciò che regge i sistemi definisce dove nasce il rendimento futuro. Il meccanismo che segue spiega perché.

Il meccanismo: la fiducia come infrastruttura

Il punto centrale riguarda la fiducia. La prova formale trasforma un'affermazione in una catena logica che una macchina controlla passo per passo. Questo meccanismo pesa sull'AI più della potenza grezza dei modelli. Un modello genera output plausibili; la verifica formale certifica che quegli output siano corretti, riga per riga, contro un insieme di assiomi. La differenza separa la persuasione dalla dimostrazione.

Chi controlla lo strato di verifica controlla la fiducia. E la fiducia, nei sistemi finanziari e industriali, resta il bene più scarso. La logica è causale, non correlata. Più i modelli entrano in ambiti dove l'errore ha un costo alto, più la garanzia matematica diventa condizione d'accesso. Lo strato che offre quella garanzia cattura il valore che gli strati sottostanti producono.

La mia posizione: la verifica diventa infrastruttura critica

Ecco la tesi di questo desk. La verifica formale passerà da curiosità accademica a strato infrastrutturale dei sistemi AI ad alto rischio entro tre anni. Il ragionamento poggia su un fatto strutturale. Man mano che i modelli entrano in finanza, difesa, farmaceutica e codice critico, la domanda di garanzie matematiche cresce più veloce della fiducia negli output probabilistici. I regolatori chiederanno prove, mai promesse.

Il consenso attuale celebra la scala dei modelli e la dimensione dei dataset. Questa lettura misura la forza bruta e ignora la fiducia. La domanda vera riguarda chi garantisce che l'output sia corretto. Cosa cambierebbe questa lettura? Un'evidenza chiara: la verifica formale resta troppo costosa fuori dalla matematica pura, e i costi di formalizzazione crescono più rapidamente della capacità di calcolo. In quel caso la tesi cade. Il limite è reale e va tenuto in vista.

Dalla certezza matematica alla certezza economica

La storia offre un precedente sul ritardo tra scoperta e impatto economico. La crittografia a chiave pubblica nacque negli anni Settanta come curiosità matematica. Divenne l'infrastruttura del commercio digitale due decenni dopo. Il pattern si ripete. Una tecnica di verifica matura in ambiente accademico, poi migra verso i sistemi dove la fiducia ha un prezzo. Il ritardo si comprime a ogni ciclo.

La verifica formale segue la stessa traiettoria. Il progetto Flyspeck dimostrò che una prova complessa può diventare interamente controllabile da una macchina. Il passo successivo è economico, prima che tecnico. Il mercato ha già prezzato la capacità dei modelli. Ha ignorato lo strato che ne certifica gli output. Questa asimmetria crea l'opportunità. Chi alloca capitale su orizzonti lunghi dovrebbe studiare questi ritardi. Sono prevedibili. Segnalano dove il valore si sposterà prima che il prezzo lo rifletta.

Il collo di bottiglia: silicio e verifica

La verifica formale è intensiva in calcolo. Ogni passo controllato consuma cicli di macchina, e la domanda di certezza si traduce in domanda di silicio. Questo riporta la questione al collo di bottiglia che questo desk considera decisivo. La competizione US-Cina sull'AI resta un problema di accesso ai semiconduttori prima che di capacità dei modelli. Chi controlla le fab controlla l'esito.

Le sanzioni statunitensi sulle GPU avanzate hanno ridisegnato la mappa dell'accesso al calcolo. La verifica formale, affamata di cicli, rende quella mappa ancora più rilevante per chi alloca capitale su orizzonti lunghi. I modelli si replicano. Le fabbriche resistono alla replica.

Tre implicazioni per il capitale

Il valore migra verso chi possiede lo strato di verifica e il calcolo che lo alimenta. Ecco tre conseguenze operative, ciascuna con il suo orizzonte.

Orizzonte dodici mesi. I fornitori di assistenti dimostrativi e di tooling per la verifica formale attireranno capitale di rischio crescente. La spesa segue la domanda regolatoria, che accelera nei settori critici.

Orizzonte ventiquattro mesi. Family office e fondi sovrani dovrebbero mappare l'esposizione ai semiconduttori ad alte prestazioni. La verifica formale amplifica quella domanda, e riporta l'attenzione sulle fab.

Orizzonte trentasei mesi. Un Chief Risk Officer dovrebbe inserire nei modelli uno scenario finora assente. I sistemi AI critici privi di certificazione formale diventano un rischio di conformità, e il costo di adeguamento arriva prima di quanto i piani prevedano.

La previsione

Ecco l'affermazione verificabile. Entro il 31 dicembre 2027, almeno un laboratorio AI di primo piano porterà in produzione un sistema che combina un modello linguistico con un assistente dimostrativo formale per certificare risultati matematici o di codice.

Confidence: 68 su 100. Orizzonte: 31 dicembre 2027. Verifica: un annuncio ufficiale di un laboratorio tra i primi cinque per finanziamento o capitalizzazione. Il segnale che smentirebbe la tesi resta semplice. Allo scadere dell'orizzonte manca qualsiasi laboratorio di primo piano con un simile sistema di verifica formale in produzione.

What to watch

Tre indicatori confermeranno o smentiranno questa lettura nei prossimi mesi.

• Finanziamenti verso startup di verifica formale e prova assistita
• Pubblicazioni congiunte tra laboratori AI e gruppi di matematica formale
• Riferimenti alla certificazione formale nei documenti normativi sull'AI ad alto rischio

La divergenza tra capacità dei modelli e garanzie verificabili si risolve sempre. La questione è quale strato cattura il valore.