La corsa dell'intelligenza artificiale sta cambiando obiettivo. Per anni la ricetta è stata una sola — modelli più grandi, più dati, più calcolo — ma diversi lavori di ricerca resi noti a luglio 2026 puntano in un'altra direzione: contano di più il modo in cui un modello ragiona e la sua efficienza che il numero puro di parametri. Il segnale più vistoso arriva da Google DeepMind, il cui ultimo sistema di ragionamento matematico ha raggiunto il primo percentile sui problemi delle Olimpiadi Internazionali della Matematica (IMO), quesiti che richiedono intuizione creativa e non semplice riconoscimento di schemi.
Come DeepMind ha affrontato i problemi da olimpiade
Il metodo descritto dal team, in un lavoro sottomesso alla conferenza NeurIPS 2026, non consiste nel «far vedere» al modello milioni di dimostrazioni sperando che ne imiti lo stile. L'approccio è diverso: l'IA genera più strategie di dimostrazione candidate, ne valuta la plausibilità e poi esplora in modo sistematico quelle più promettenti, scartando i vicoli ciechi. È un modo di procedere che assomiglia a quello di un matematico umano davanti a un problema difficile — provare una strada, accorgersi che non porta da nessuna parte, tornare indietro — più che a un pappagallo statistico. Fino a pochi anni fa questo tipo di ragionamento creativo era considerato territorio esclusivamente umano.
L'autocorrezione conta più della dimensione
Il risultato di DeepMind non è isolato. Un preprint firmato da ricercatori di MIT e Stanford, diffuso a luglio, ha analizzato cosa rende un modello di ragionamento capace di risolvere problemi matematici e logici difficili, arrivando a una conclusione controintuitiva: il fattore decisivo non è la dimensione del modello, ma quanto è addestrato ad autocorreggersi durante il ragionamento. I modelli che imparano a individuare e correggere i propri errori lungo la catena di pensiero superano quelli che si limitano a generare catene più lunghe ma non riviste. In altre parole: pensare meglio batte pensare di più.
La sparsità selettiva: usare solo i parametri che servono
Sullo stesso filone si colloca una delle tecniche più citate del mese, la sparsità di attivazione selettiva (selective activation sparsity): un metodo di addestramento che insegna al modello a usare, per ogni compito specifico, solo la porzione di parametri davvero rilevante, lasciando «spenta» tutta la parte non necessaria. È l'idea che sta dietro, in forme diverse, anche alle architetture Mixture-of-Experts che dominano i rilasci recenti: modelli enormi sulla carta, ma che a ogni richiesta ne attivano solo una frazione, con un enorme guadagno di velocità e di costo.
Perché questo cambio di rotta riguarda tutti
Il passaggio dallo scaling puro al ragionamento efficiente ha conseguenze molto concrete, anche fuori dai laboratori. Se la performance non dipende più solo dalla dimensione, modelli più piccoli — e quindi più economici, eseguibili anche in locale su hardware modesto — possono avvicinarsi ai giganti su compiti mirati come matematica, codice e logica. È esattamente ciò che si osserva nell'ondata di modelli aperti degli ultimi mesi, capaci di battere rivali molto più grandi grazie ad architetture più intelligenti. Per le imprese significa che la scelta del modello dipende sempre meno dalla «taglia» e sempre più dall'adeguatezza al compito. Questo articolo sintetizza risultati e preprint resi noti a luglio 2026 e va letto come panoramica della ricerca, in attesa della revisione dei rispettivi lavori.
