di Damiano Gasparotto, Data Scientist in Excellence Innovation

Negli ultimi anni abbiamo assistito ad un’enorme evoluzione nel mondo dell’intelligenza artificiale. Strumenti come ChatGPT, Claude o Gemini sono diventati parte della nostra quotidianità, soprattutto per la loro capacità di comprendere e rispondere in linguaggio naturale, generare testi e interagire in modo quasi umano. Ma, dietro questa apparente semplicità, esistono profonde differenze nel modo in cui questi modelli elaborano le informazioni che ricevono.

Una delle evoluzioni più interessanti è stata quella che ha portato i principali modelli di AI generativa, a diventare modelli di reasoning. Questi nuovi modelli non si limitano a recuperare informazioni o a completare frasi basandosi su quanto hanno “appreso” durante l’addestramento, ma sono progettati per simulare un processo di ragionamento, cioè, costruire passaggi intermedi, concatenare idee e arrivare a una conclusione logica o argomentata. In altre parole, provano a comportarsi più come un essere umano che riflette, e meno come un motore di completamento automatico di frasi.

Per fare un esempio pratico, si potrebbe immaginare due studenti di fronte a un esercizio di logica. Il primo risponde d’istinto, senza pensarci troppo, magari azzeccando la risposta ma senza riuscire a spiegare il motivo, affidandosi solo all’intuizione o alla memoria. Il secondo, invece, prende un foglio, scrive ogni passaggio del ragionamento, valuta le opzioni e solo alla fine arriva alla soluzione. I modelli di prima generazione si comportano come il primo studente: rapidi, ma spesso superficiali. I nuovi modelli di reasoning, invece, funzionano come il secondo: ricostruiscono i passaggi logici, spiegano cosa stanno facendo e offrono risposte più solide e comprensibili.

Da “completare frasi” a “pensare passo dopo passo”

Il concetto di reasoning nei modelli linguistici ha iniziato ad emergere tra il 2022 e il 2023, quando le sperimentazioni che introducevano l’istruzione “pensa passo dopo passo” (Chain-of-Thought, CoT) hanno mostrato un netto aumento della qualità delle risposte, soprattutto nei compiti logico-matematici. Il tasso di errore si è ulteriormente ridotto quando alla Chain-of-Thought è stata affiancata la tecnica della Self-Consistency, che prevede la generazione di più catene di ragionamento differenti e la selezione automatica del percorso logico più coerente.

Queste intuizioni hanno chiarito che la sola crescita dimensionale dei modelli, non basta per ottenere risposte affidabili in compiti complessi. È stato quindi introdotto direttamente nell’architettura dei modelli il paradigma del Chain-of-Thought Reasoning, una procedura che spinge il sistema a rendere espliciti i passaggi intermedi del ragionamento prima di formulare la risposta finale. Questo approccio, oggi adottato da diversi modelli di ultima generazione, ha dimostrato di migliorare le prestazioni non soltanto in matematica e logica, ma anche in scenari decisionali e strategici.

Il meccanismo del reasoning nei modelli linguistici

Quando si pone una domanda complessa ad un modello integrato con il meccanismo di reasoning, questo non si limita a cercare la risposta più probabile, piuttosto, inizia a “pensare ad alta voce”, generando una serie di frasi che simulano i passaggi che una persona seguirebbe per arrivare alla conclusione.

Il primo modello con la capacità di reasoning integrata, diffuso su larga scala è stato GPT-o1 di OpenAI, seguito poi da Deepseek-R1, che ha suscitato grande interesse per aver raggiunto, grazie al ragionamento, un livello qualitativo paragonabile a quello dei modelli a pagamento dei principali competitor. Claude Sonnet 3.7 di Anthropic è stato invece il primo modello a hybrid reasoning che è in grado di attivare il ragionamento in base alle necessità.

Andando più nello specifico, le principali tecniche di reasoning oggi disponibili sono:

• Chain-of-Thought: permette al modello di scomporre il problema ed esplicitare i passaggi intermedi che lo conducono alla soluzione.
• Self-Consistency: porta il modello a generare più ragionamenti alternativi e a scegliere quello più ricorrente o convincente, riducendo così errori e allucinazioni.
• Tree-of-Thought: una tecnica più avanzata che consente di esplorare diverse diramazioni di ragionamento, valutando quale percorso porta al miglior risultato, come farebbe una persona che analizza pro e contro di più opzioni prima di decidere.

Queste tecniche si integrano bene con l’approccio architetturale del Mixture-of-Experts, utilizzato da DeepSeek, che attiva dinamicamente i “sotto-modelli” più adatti al tipo di problema ottimizzando l’uso delle risorse, senza sacrificare le performance di risposta.

Pro e contro dei modelli di reasoning

Quando conviene utilizzare un modello di reasoning? Dipende dagli obiettivi. Per risposte semplici, un modello standard è sufficiente. Per problemi complessi che richiedono valutazioni articolate, un modello di reasoning offre vantaggi significativi.

• Esplicitazione del processo logico: rendono visibile il percorso di ragionamento, permettendo di identificare e correggere passaggi critici che in altri sistemi rimarrebbero nascosti.
• Gestione di problemi multi-step: sono abili nell’affrontare questioni complesse che richiedono scomposizione in fasi interconnesse, come problemi matematici o di pianificazione strategica.
• Adattabilità al contesto: hanno la capacità di valutare diverse prospettive e considerare molteplici variabili e ciò consente risposte più sfumate e contestualmente appropriate rispetto ai sistemi che forniscono output diretti.

• Precisione matematica limitata: nonostante il ragionamento strutturato, questi modelli possono ancora commettere errori in calcoli complessi o analisi quantitative sofisticate.
• Compromesso velocità-profondità: il processo di reasoning richiede più tempo e risorse computazionali, rendendo questi modelli significativamente più lenti rispetto alle alternative standard.
• Autoreferenzialità: i modelli possono apparire convincenti anche quando il ragionamento contiene errori logici, creando un falso senso di affidabilità che può essere difficile da rilevare.

Inoltre, come motore degli agenti AI, i modelli di reasoning mostrano alcune criticità: la latenza eccessiva può compromette la reattività degli agenti nei contesti che richiedono rapidità, mentre i potenziali conflitti tra processi di reasoning paralleli possono generare incoerenze decisionali. Queste limitazioni suggeriscono che tali modelli siano più efficaci come strumenti end-to-end, piuttosto che come componenti all’interno di architetture più ampie.

Conclusione

L’applicazione del reasoning nell’intelligenza artificiale apre nuovi orizzonti che vanno oltre la semplice generazione di testo. Questa evoluzione rappresenta un tentativo di emulare il pensiero umano strutturato, offrendo risposte non solo corrette ma anche comprensibili nel loro sviluppo logico. Il costo di questa maggiore profondità si riflette però in una latenza che può compromettere l’esperienza utente in applicazioni che richiedono rapidità e immediatezza.

Nel bilanciamento tra accuratezza e velocità, il futuro probabilmente favorirà sistemi ibridi capaci di attivare il reasoning solo quando necessario, ottimizzando così l’efficienza senza sacrificare la capacità di affrontare problemi complessi.

LEGGI ANCHE – La creatività dei team di design e le capacità dell’intelligenza artificiale: una partnership strategica