Come un'AI ragiona senza parole o GPU

Ragionare senza un modello linguistico

Minotaur AI può ragionare utilizzando metodi solitamente attribuiti ai modelli linguistici di grandi dimensioni — pur non avendo né un modello linguistico né una GPU ¹. Esegue deduction, traendo conclusioni da regole generali; induction, trovando schemi nei dati; abduction, ipotizzando la spiegazione migliore di ciò che è accaduto; e diagnosis, capendo perché qualcosa è andato storto . Può anche confrontare quello che sarebbe dovuto accadere con quello che è effettivamente accaduto, scegliere l'esperimento che potrebbe risolvere una domanda, cambiare idea quando riceve nuove informazioni e riflettere sul fatto che porre una domanda potrebbe a sua volta influenzare la risposta . Il tutto deriva da una singola operazione su un unico core di processore ordinario, richiedendo circa un quarto di secondo per ogni domanda . In test in cieco in cui gli autori non hanno mai visualizzato il suo codice sorgente, si è comportata allo stesso modo di un modello linguistico moderno — ottenendo risultati comparabili su interviste di polizia che rimodellano il ricordo dei testimoni e su sistemi che imparano, diagnosticano e prevedono esclusivamente dai dati.

Perché i modelli linguistici imitano il pensiero umano

I modelli linguistici di grandi dimensioni vengono addestrati a prevedere la parola successiva a partire da enormi quantità di testi scritti ¹. Poiché gran parte di quei testi sono persone che pensano ad alta voce su carta — dimostrazioni matematiche, note mediche, ragionamenti investigativi — un modello che diventa molto bravo a continuare un testo diventa anche molto bravo a imitare il modo in cui le persone ragionano . Questo conferisce loro punti di forza, come la capacità di spiegarsi e usare il buonsenso, ma anche punti deboli: accettano argomenti che suonano plausibili anche quando sono sbagliati, le loro risposte cambiano a seconda di come è formulata una domanda, e le loro spiegazioni sono spesso scritte dopo i fatti piuttosto che mostrare come la risposta sia stata effettivamente raggiunta . Vedono solo descrizioni umane del mondo, mai il mondo stesso .

Una storia più lunga di altri tentativi

Prima che i modelli linguistici dominassero, i ricercatori hanno speso decenni a sperimentare altri approcci ¹. Il Logic Theorist, sviluppato nel 1956 da Allen Newell, Cliff Shaw e Herbert Simon, dimostrava teoremi matematici cercando tra i possibili passaggi . Il suo successore, il General Problem Solver, risolveva enigmi ma incappava nel combinatorial explosion — il numero di passaggi possibili cresce così rapidamente che problemi reali diventavano impossibili da cercare . Nel 1973 il rapporto Lighthill al governo britannico definì questo fenomeno esplosione combinatoria, e i finanziamenti nel Regno Unito furono drasticamente tagliati .

Negli anni Settanta, i expert systems come MYCIN — che raccomandava antibiotici — e XCON — che configurava ordini per computer — mostrarono che fornire alle macchine regole scritte a mano da esperti umani poteva funzionare bene in ambiti circoscritti ¹. Ma soffrivano del collo di bottiglia dell'acquisizione della conoscenza, l'impossibilità di scrivere ogni regola che un esperto conosce, e della rigidità: al di fuori delle loro regole ristrette, non avevano nulla di sensato da dire . Verso la fine degli anni Ottanta, la domanda per questi sistemi era collassata.

Prolog, creato a Marsiglia nel 1972, e il progetto giapponese Fifth Generation Computer Systems miravano a costruire macchine che ragionassero esattamente nella logica formale ¹. Oggi i solver logici sono usati quotidianamente per verificare chip informatici, tuttavia la logica è limitata a problemi già espressi in forma logicale formale — e il progetto Fifth Generation concluse senza realizzare le macchine pensanti promesse.

L'approccio diverso di Minotaur

L'approccio di Minotaur si ricollega a un'idea più antica: se si vuole un ragionamento esatto, verificabile e certificabile, si parte lavorando direttamente sulla struttura del sistema di cui si sta ragionando, piuttosto che imitare il modo in cui le persone scrivono i propri pensieri ¹. Invece di prevedere la parola successiva, misura — verificando regolamenti reali contro registri di come sono stati applicati e individuando quale organizzazione ha violato una norma, di quanto e dove . Questo le conferisce capacità di ragionamento senza i compromessi tipici del design dei modelli linguistici .

Un passo verso un ragionamento controllabile

La storia di Minotaur conta perché dimostra che le impressionanti capacità di ragionamento dei modelli più grandi di oggi non dipendono affatto dal linguaggio ¹. Da oltre sessant'anni i ricercatori cercano di costruire macchine che pensino in modi verificabili e riproducibili . Ogni tentativo si è scontrato con un muro — la ricerca esplodendo, le regole rivelatesi impossibili da scrivere, la logica formale incapace di catturare il mondo reale — e i modelli linguistici sono infine emersi come una soluzione pratica . Minotaur suggerisce che un percorso diverso potrebbe ora riaprirsi . Se una macchina può ragionare con misurazioni invece che con previsioni, potrebbe offrire una via d'uscita più veloce, economica e facile da verificare rispetto all'esecuzione di modelli linguistici di grandi dimensioni su hardware costoso .

Correzioni e aggiornamenti

• Corretto in data 12 novembre 2026. Una versione precedente affermava che il Logic Theorist era stato sviluppato presso la Stanford University; la fonte non indica la loro affiliazione, ma solo che lo hanno costruito. Questo dettaglio aggiunto è di fantasia e non presente nel testo. Una versione precedente affermava che i sistemi esperti fallirono esclusivamente a causa del collo di bottiglia nell'acquisizione della conoscenza; la fonte invece indicava che affrontavano anche fragilità, con due ragioni distinte. Una versione precedente condensava la frase sul rapporto Lighthill in un'unica citazione tra parentesi, ma ometteva il dettaglio sul nome; la correzione ripristina il testo originale che riportava il nome del rapporto.

I fatti principali

• Minotaur AI esegue deduzione, induzione, abduzione e diagnosi senza un modello linguistico o GPU
• Funziona su un singolo nucleo processore standard, impiegando circa un quarto di secondo per domanda
• Ha raggiunto le prestazioni di un attuale modello linguistico nei test in cieco che coinvolgono interviste alla polizia e diagnosi di sistemi
• I sistemi esperti come MYCIN e XCON hanno affrontato il collo di bottiglia dell'acquisizione della conoscenza e la fragilità, con conseguente crollo del mercato entro la fine degli anni '80
• Minotaur ragiona misurando le strutture anziché prevedere il linguaggio

Fonti

1. Minotaur AI Deep Dive: Achieving Reasoning Without a Language Model — fleetingswallow.com