OpenAI ha pubblicato l'11 giugno 2026 un caso d'uso di Codex AI in cui l'astrofisico Chi-kwan Chan usa l'agente per testare algoritmi che potrebbero simulare trilioni di elettroni e ioni intorno a un buco nero.
Per chi usa o valuta sistemi AI nel lavoro, la notizia conta perché sposta Codex fuori dal perimetro classico dello sviluppo software. L'attenzione passa dalla funzione scritta più in fretta al ciclo tra ipotesi matematica, codice, test e verifica scientifica. In quel dominio, gli errori si misurano contro equazioni e dati osservativi: l'agente AI deve produrre prove, non slide.
Perché Codex AI entra nella fisica dei buchi neri
Chan lavora all'University of Arizona e allo Steward Observatory ed è parte della collaborazione Event Horizon Telescope, il progetto internazionale che nel 2019 ha pubblicato la prima immagine diretta dell'ombra di un buco nero. Quell'immagine riguardava M87, una galassia a 55 milioni di anni luce dalla Terra, con un buco nero da 6,5 miliardi di masse solari secondo la comunicazione ESO/EHT.
OpenAI racconta che il gruppo EHT sta raccogliendo osservazioni per produrre il primo video di un buco nero supermassiccio. Una singola immagine aveva già richiesto una rete di otto radiotelescopi e supercomputer per combinare petabyte di dati. Un video alza il livello: bisogna capire come cambia nel tempo il plasma, materia ionizzata, vicino all'orizzonte degli eventi, la soglia oltre cui la materia non torna più indietro.
Codex entra in questo punto della catena. I telescopi raccolgono i segnali, i ricercatori definiscono i criteri, l'agente lavora sugli algoritmi. Aiuta Chan a esplorare schemi numerici, cioè ricette matematiche tradotte in codice, per rendere le simulazioni più realistiche e meno schiacciate dai limiti di calcolo.
Il problema tecnico: Codex AI e il plasma che gira troppo veloce
L'immagine riguarda soprattutto il materiale attorno al buco nero. Quel plasma è così caldo che elettroni e ioni si separano e si muovono come particelle cariche. Nelle simulazioni più semplici i ricercatori trattano quel plasma come un fluido, una scelta utile quando le particelle collidono spesso.
Vicino ai buchi neri supermassicci, però, alcune regioni diventano così calde e rarefatte che le particelle si incontrano di rado. Invece di urtarsi, ruotano intorno alle linee di campo magnetico. OpenAI riassume il collo di bottiglia: per seguire quel movimento con fedeltà, i computer dovrebbero calcolare ogni piccola spirale di trilioni di particelle, usando intervalli temporali minuscoli.
Chan ha chiesto a Codex di aiutarlo a derivare e testare possibili algoritmi che evitino di seguire ogni singola rotazione. L'idea è trasformare il problema con nuove equazioni: conservare il comportamento fisico rilevante, ma liberare la simulazione dalla parte più costosa del calcolo. Il precedente scientifico esiste: nel 2019 ESO/EHT spiegava che l'interpretazione dell'immagine di M87 passava dal confronto con modelli computerizzati di spazio curvo, materia surriscaldata e campi magnetici.
“Non accettiamo un'idea perché viene da Einstein, da uno studente brillante o da un modello AI.” — Chi-kwan Chan, fonte OpenAI
La frase di Chan, riportata da OpenAI, definisce il confine corretto. Codex produce candidati, non risultati scientifici. Alcuni algoritmi falliscono. Quelli promettenti entrano in un ciclo di test contro soluzioni note, controlli fisici e riproducibilità.
La domanda che nessun comunicato ufficiale formula è precisa: se l'AI genera cento strade e il ricercatore ne scarta novantanove, il valore sta nell'intelligenza del modello o nel nuovo costo, molto più basso, dell'errore scientifico?
Perché cambia il quadro degli agenti AI
OpenAI aveva presentato Codex nel 2025 come agente di ingegneria software in cloud, capace di lavorare su più task in parallelo, leggere repository, modificare file, eseguire test e produrre evidenze tramite log. Il caso dei buchi neri sposta quel modello dentro un contesto dove il repository contiene conoscenza scientifica incorporata in codice.
Questo passaggio conta per il mercato AI perché mostra un uso degli agenti più maturo della generazione automatica di codice. L'agente deve proporre varianti, documentare i passaggi, eseguire test e lasciare a un esperto il giudizio finale. È un modello operativo vicino a come lavorano ricerca, ingegneria, farmaceutica e simulazione industriale.
Il limite resta netto. OpenAI stessa ammette che i modelli linguistici commettono errori, e Chan usa Codex proprio perché gli output possono essere ispezionati. In un laboratorio, una formula elegante non basta. Serve codice che gira, produce risultati ripetibili e non tradisce la fisica che pretende di modellare.
Cosa cambia per il lettore italiano
Per un ricercatore o uno sviluppatore italiano, la lezione concreta è che gli agenti AI diventano utili quando il lavoro contiene verifiche forti. Un team che scrive software scientifico, modelli finanziari, simulatori per energia o strumenti biomedicali può usare lo stesso principio: delegare esplorazione e implementazione, ma tenere in mano test, criteri fisici, audit e revisione umana.
Per le aziende, il messaggio è ancora più pratico. L'AI agentica, sistemi capaci di eseguire task con strumenti e verifiche, va valutata su quanta incertezza riduce nel percorso tra idea e prova. Se un agente permette di provare dieci approcci in una giornata invece di uno in una settimana, il vantaggio nasce dalla selezione più rapida delle opzioni sbagliate.
Nel caso di M87, questo potrebbe aiutare gli scienziati a simulare fisica rimasta fuori portata per decenni. Per un'impresa italiana, può voler dire testare più scenari, controllare più ipotesi e arrivare prima a una decisione tecnica difendibile.
Fonti citate
- How an astrophysicist uses Codex to help simulate black holes , OpenAI, 11 giugno 2026.
- Introducing Codex , OpenAI, 16 maggio 2025.
- Astronomers Capture First Image of a Black Hole , European Southern Observatory, 10 aprile 2019.