Apple svela la grande illusione del ragionamento AI

(Fonte) Michele Nasi – 9 giugno 2025

Apple ha pubblicato una ricerca che evidenzia i limiti strutturali dei Large Language Models (LLM), mettendo in discussione le speranze di realizzare un’Intelligenza Artificiale Generale (AGI) e dimostrando anche l’illusorietà dei moderni modelli AI basati sul “ragionamento”.
Il lavoro di Apple conferma che i LLM funzionano bene solo entro i confini dei dati su cui sono stati addestrati. Di fronte a problemi fuori distribuzione, le prestazioni crollano per i limiti nella capacità di ragionamento logico.
Tecniche come la Chain of Thought (vedi qui un approfondimento sulle modalità di ragionamento) cercano di simulare il ragionamento umano suddividendo i problemi in passaggi logici intermedi, ma si tratta di un’imitazione del processo cognitivo, non di un vero pensiero.

Apple: il caso della Torre di Hanoi è una vera disfatta
Un esempio emblematico di come i modelli di IA non siano ancora in grado di affrontare compiti complessi è il test della Torre di Hanoi, un puzzle classico che richiede spostamenti logici di dischi tra tre pioli secondo regole precise. Sebbene sia risolvibile da un bambino o da un semplice algoritmo ricorsivo, modelli come Claude e o3-mini falliscono anche quando viene fornito loro l’algoritmo risolutivo. Questo rivela una profonda carenza nella capacità algoritmica interna dei LLM, anche nei più avanzati.
L’obiezione “anche gli umani sbagliano” è debole: i LLM non apprendono davvero gli algoritmi, ma li imitano senza comprenderne la logica. Di conseguenza, non generalizzano, funzionano solo su casi semplici e falliscono con l’aumentare della complessità.

Il fenomeno dell’ “overthinking”
Secondo Apple, i LLM mostrano tre limiti: tendono all’“overthinking” nei problemi semplici, trovano soluzioni solo dopo molti errori nei casi medi e falliscono del tutto in quelli complessi. Questo evidenzia una scarsa capacità di autocorrezione e un uso inefficiente del tempo di inferenza.

Le implicazioni: fidarsi dei LLM è un rischio secondo Apple. Se falliscono su compiti come le Torri di Hanoi, sono inaffidabili per applicazioni critiche. Pur essendo strumenti utili, vanno usati con cautela e non possono sostituire algoritmi tradizionali nei contesti strutturati o ad alta precisione.

Lo studio Apple mostra limiti strutturali che rendono l’AGI ancora lontana. Secondo Apple, servirà una svolta concettuale, come i modelli neurosimbolici. Attualmente, manca ancora la capacità di generalizzare, apprendere autonomamente, pianificare, spiegarsi e migliorarsi con l’auto-apprendimento.