I LLM non ragionano come AlphaGo o Deep Blue, avverte MIT Technology Review

“Don’t be fooled—LLMs don’t reason.” MIT Technology Review mette in guardia: i grandi modelli linguistici non attingono allo stesso tipo di calcolo che ha portato AlphaGo e Deep Blue alle loro vittorie storiche¹.

Seul, marzo 2016. Partita 2 contro Lee Sedol. AlphaGo posa una pietra sulla quinta linea: mossa 37. In diretta sembra un regalo. Alcuni commentatori parlano di glitch. Non lo era. AlphaGo vince quella partita e chiude il match 4-1 contro uno dei più grandi professionisti di Go¹. “Pensavo che AlphaGo si basasse su calcoli di probabilità e fosse solo una macchina”, dirà poi Lee. “Ma quando ho visto questa mossa, ho cambiato idea. Sicuramente, AlphaGo è creativo”¹.

Un precedente aiuta a leggere la scena. Nel 1997 Deep Blue sconfisse il campione del mondo di scacchi Garry Kasparov. Il sistema guardava sei-otto mosse avanti per ciascun giocatore e valutava 200 milioni di posizioni al secondo. Usava anche regole codificate a mano dagli umani¹.

Sul tavoliere di Go la posta è diversa. Il valore di una pietra dipende da come gruppi lontani e territorio si dispiegano in decine di mosse. La valutazione locale perde senso se non si considerano strutture più ampie e sviluppi futuri¹.

Da qui la distinzione tracciata dall’articolo. I risultati di Deep Blue e AlphaGo derivano da calcoli espliciti su mosse e posizioni, guidati da regole o da valutazioni allenate sul gioco. Con i LLM la dinamica cambia. La fluidità delle risposte può trarre in inganno. La rivista lo dice senza giri di parole: non confondiamo coerenza testuale con ragionamento. “LLMs don’t reason”¹.

La mossa 37 rimane l’emblema di quel divario. In pochi secondi capovolge la lettura umana della posizione. Sembra un errore del software, poi si rivela un colpo vincente. Il commento di Lee Sedol introduce una parola—“creativo”—che segnala lo scarto rispetto all’aspettativa di una “macchina” che massimizza probabilità visibili¹.

Nel caso di Deep Blue contano i numeri e i vincoli imposti dagli umani. Profondità di ricerca, posizioni al secondo, regole scritte a mano: una catena di decisione leggibile e progettata per un obiettivo preciso¹. Con AlphaGo, nel Go, entra in scena la complessità del territorio e l’interazione tra gruppi lontani, che si manifesta su orizzonti lunghi¹.

Dieci anni dopo quella serie di partite, MIT Technology Review rifiuta l’analogia facile. L’IA oggi in voga non sfrutta la stessa struttura che ha sorretto quelle prestazioni¹. L’avvertimento tocca il punto cruciale: risposte convincenti restano risposte, non prove di ragionamento. Per chi usa i LLM, è una soglia di attenzione operativa, non un dibattito accademico¹.