Nel 1915 Albert Einstein presentò la sua teoria della relatività generale, rivoluzionando la concezione della gravità da forza a curvatura dello spaziotempo dovuta a massa ed energia. Oggi la relatività è una pietra angolare della cosmologia, indispensabile per lo studio dei buchi neri, delle onde gravitazionali, delle missioni spaziali e dei sistemi di posizionamento globale (GPS).
Una nuova sfida per l’intelligenza artificiale
Nel febbraio 2026, al India AI Summit di Nuova Delhi, Demis Hassabis, co‑fondatore di Google DeepMind, propose un esperimento provocatorio: allenare un grande modello linguistico (LLM) esclusivamente con conoscenze disponibili fino a una data storica predefinita, ad esempio il 1911, e verificare se fosse in grado di “scoprire” autonomamente la relatività generale. “Sarebbe un buon test per una intelligenza artificiale generale”, affermò Hassabis, riferendosi a una forma di IA ancora vagamente definita, capace di competere o superare l’intelligenza umana in molteplici domini.
Modelli linguistici “storici”
Nel dicembre 2024, Owain Evans della ONG Truthful AI di Berkeley presentò il concetto di “historical LLMs”, ovvero modelli addestrati solo con dati disponibili fino a una certa epoca. Evans interrogò: quali scoperte future potrebbero questi modelli ri‑scoprire da soli?
Da allora diversi gruppi hanno realizzato tali modelli, incluso uno pensato appositamente per il test di Hassabis. I primi risultati, però, hanno rivelato più le limitazioni attuali delle IA che le loro potenzialità rivoluzionarie.
Le opinioni degli esperti
Ido Kaminer, specialista in ottica quantistica al Technion di Haifa, è co‑autore di un preprint del luglio 2026 intitolato “Can AI follow in Einstein’s footsteps?”. Kaminer non esclude la possibilità che un’IA possa produrre un breakthrough del calibro della relatività, ma sottolinea la necessità di rivedere alcuni principi fondamentali dei sistemi di intelligenza artificiale odierni.
Il “test Einstein” di Hassabis e la critica di Zahavy
Nel gennaio 2025, Tom Zahavy, collega di DeepMind, avanzò la tesi sintetizzata nel documento “LLMs can’t jump”. Zahavy distingueva due forme di ragionamento nella filosofia della scienza: induzione, che parte da molte osservazioni per dedurre regole generali, e abduzione, che implica un salto creativo verso una possibile spiegazione di un fenomeno incomprensibile. Secondo Zahavy, i LLM eccellono nell’induzione ma falliscono nell’abduzione, il processo cruciale per scoperte come quella di Einstein.
Dal lavoro di dettaglio ai grandi salti concettuali
Le attuali IA sono ottime nel setacciare enormi volumi di dati, identificare pattern e fornire risposte statisticamente più probabili. Questi punti di forza le rendono strumenti utili per previsioni e per l’analisi di dataset massivi. Tuttavia, i “salti paradigmatici” descritti da Thomas Kuhn avvengono tipicamente quando le evidenze sono scarse o contraddicono il modello dominante. In tali contesti, gli scienziati costruiscono un weltmodell – una teoria basata su pochi dati – come fece Johannes Kepler con le orbite planetarie, aprendo la strada alle leggi di Newton.
Un esperimento di MIT sul nuovotonismo
Sendhil Mullainathan, informatico al MIT, condusse un esperimento (pubblicato a luglio 2026) in cui un modello di base per la meccanica celeste veniva alimentato con dati sintetici di sistemi planetari tutti conformi alle leggi di Newton. Il risultato fu sorprendente: il modello non ri‑individuò la legge di gravitazione universale (F = G·m₁·m₂/r²). Invece, creò leggi “personalizzate” per ciascun sistema, ognuna delle quali era errata in modo differente.
Successi matematici recenti
Nonostante queste difficoltà, i LLM hanno mostrato progressi notevoli in ambito matematico. Nel maggio 2026, un chatbot di OpenAI smentì una ipotesi di 80 anni del matematico ungherese Paul Erdős, dimostrando la capacità di produrre “un vero progresso concettuale”. Mullainathan osservò che la soluzione richiese la creazione di nuove astrazioni, ma si basò comunque su idee già presenti nella letteratura, senza alcun illuminazione improvvisa “dal nulla”.
Esperimenti indipendenti: Machina Mirabilis
Nel marzo 2026, Michael Hla, ricercatore indipendente di San Francisco, addestrò un LLM chiamato Machina Mirabilis usando esclusivamente dati antecedenti al 1900. Il suo obiettivo era verificare se il modello potesse arrivare autonomamente alla meccanica quantistica, alla relatività speciale (1905) e, infine, alla relatività generale.
Hla non lasciò il modello senza alcun aiuto: gli fornì indizi come le osservazioni del fotoelettrico (che Einstein spiegò più tardi con i quanti di luce) e il celebre “esperimento dell’ascensore” di Einstein, precursore della relatività generale. Talvolta il modello mostrò “tratti di intuizione”, ipotizzando per il fotoelettrico che la luce si “scomponga in una moltitudine di impulsi”, analogamente all’idea dei fotoni. Tuttavia, nella maggior parte dei casi il modello fallì nel derivare le teorie corrette.
Perché le IA faticano a fare salti creativi
Secondo Hla, le IA “producono solo parole plausibili, senza una forte rappresentazione interna del mondo da cui possono ragionare”. Questo evidenzia una limitazione fondamentale: la mancanza di una “teoria della mente” o di un modello interno coerente con la realtà fisica, che permetta di colmare i vuoti tra osservazioni limitate e principi generali.
Riflessioni sul futuro
Il dibattito su un possibile “Einstein‑test” mette in luce due problemi chiave. Primo, la struttura dei LLM è basata su correlazioni statistiche, non su una comprensione causale o modellistica del mondo. Secondo, le attuali architetture non includono meccanismi di abduzione o di generazione di ipotesi originali, indispensabili per le scoperte rivoluzionarie.
Alcuni propongono di integrare le reti neurali con sistemi simbolici, o di introdurre “motori di ragionamento” capaci di manipolare concetti astratti in modo più simile al pensiero umano. Altri suggeriscono di addestrare le IA su ambienti simulati dove la scoperta di leggi fisiche diventa un compito esplicito, forzando la generazione di teorie a partire da dati scarsi.
Conclusioni
Finora, le sperimentazioni con modelli linguistici storici hanno più delineato i limiti delle attuali IA che le loro potenzialità pionieristiche. Gli esperimenti di Hassabis, Zahavy, Mullainathan, Kaminer e Hla dimostrano che, sebbene le IA possano eccellere nell’analisi massiva dei dati, i salti concettuali richiesti per una teoria del calibro della relatività generale rimangono fuori dalla loro portata.
Rimane comunque aperta la possibilità che, con riformulazioni sostanziali delle architetture e dei principi di apprendimento, le future generazioni di IA possano avvicinarsi a quel tipo di intuizione che ha trasformato la fisica un secolo fa. Fino ad allora, la relatività continuerà a servire non solo come descrizione della gravità, ma anche come “banco di prova” per valutare quanto davvero possiamo avvicinarci a una intelligenza artificiale generale.