Modelli e piattaforme di IA

Il Metodo COCONUT di Meta: Il Metodo AI che Pensa senza Linguaggio

Pubblicato il 16 dicembre 2024

Aggiornato il 20 maggio 2026

Alex McFarland

Aggiungi Unite.AI alle tue fonti preferite su Google

Quando i ricercatori scoprirono per la prima volta che i grandi modelli linguistici (LLM) potevano “pensare” passo dopo passo attraverso la tecnica di chain-of-thought prompting, fu un momento di svolta – finalmente, potevamo dare uno sguardo al processo di ragionamento di queste scatole nere. Ma cosa succede se vi dico che far pensare i modelli AI in linguaggio naturale potrebbe essere un ostacolo per loro?

È ciò che i ricercatori di Meta e UC San Diego hanno scoperto con il loro nuovo metodo COCONUT (Chain of Continuous Thought).

Immaginate di provare a risolvere un problema matematico complesso mentre siete costretti a narrare ogni singolo passo ad alta voce. È fastidioso, vero? Ora state capendo il nucleo della sfida che i modelli linguistici affrontano.

Quando facciamo ragionare i modelli AI attraverso il linguaggio naturale:

La maggior parte dei token che generano sono solo “colla” linguistica – parole come “quindi”, “prossimo” e “conseguentemente” che aggiungono zero valore di ragionamento
I punti decisionali critici vengono bloccati dalla necessità di impegnarsi in parole specifiche
Il modello spende un significativo sforzo computazionale per mantenere la coerenza grammaticale piuttosto che il vero e proprio problema di risoluzione

I ricercatori hanno trovato qualcosa di interessante nei loro studi di neuroimmagine: quando gli esseri umani affrontano compiti di ragionamento complesso, i centri linguistici del nostro cervello spesso rimangono sorprendentemente silenziosi. Eppure, abbiamo costruito sistemi AI che fanno l’opposto – li costringiamo a tradurre ogni passo di ragionamento in parole.

Pensate a come risolvete un puzzle. La vostra mente probabilmente esplora più possibilità simultaneamente, mantiene ipotesi vaghe e solo cristallizza i vostri pensieri in linguaggio quando condividete la soluzione. Ma i tradizionali approcci di chain-of-thought costringono i modelli AI a verbalizzare ogni passo intermedio, creando un “collo di bottiglia linguistico”.

Questa intuizione ha portato a una domanda convincente: e se potessimo far ragionare i modelli AI nel loro “linguaggio” nativo – lo spazio continuo e ad alta dimensionalità dei loro stati nascosti – piuttosto che costringerli a tradurre tutto in token?

Comprendere l’Innovazione di COCONUT

Immaginate la differenza tra esprimere i vostri pensieri ad alta voce e il processo mentale reale che avviene nel vostro cervello. Quella lacuna – tra pensieri verbalizzati e attività neurale – è esattamente ciò che i ricercatori di Meta hanno colto con COCONUT.

Il vero punto di svolta di COCONUT sta nel fatto che permette ai modelli AI di pensare in due modi distinti, proprio come fanno gli esseri umani. Pensate a quando risolvete un puzzle complesso – non narrate ogni possibile mossa nella vostra testa, vero? Invece:

Assorbire il Problema: prendete in considerazione le informazioni (come leggere le regole del puzzle)
Pensare in Silenzio: il vostro cervello esplora più possibilità senza metterle in parole
Condividere la Soluzione: solo allora spiegate il vostro pensiero agli altri

COCONUT dà ai modelli AI la stessa flessibilità naturale. Invece di costringerli a “parlare” ogni pensiero ad alta voce (come fanno i metodi tradizionali), li fa pensare nel loro spazio neurale nativo – ciò che i ricercatori chiamano “spazio latente”.

Il modello passa senza problemi tra due modalità:

Quando deve capire le domande o fornire risposte, utilizza il linguaggio regolare
Ma per il processo di ragionamento vero e proprio? Utilizza puri modelli neurali, liberi dalle costrizioni delle parole

Immagine: Meta

Il Percorso di Formazione

Uno degli aspetti più affascinanti di COCONUT è il suo percorso di formazione. Ciò che lo rende speciale è il fatto che riflette la progressione naturale dell’apprendimento. Pensate a come insegniamo abilità complesse – non gettate qualcuno in acqua senza prepararlo. Costruite gradualmente, aggiungendo complessità man mano che padroneggia ogni livello.

I ricercatori hanno adottato esattamente questo approccio con COCONUT:

Fase 1: La Fondazione

Innanzitutto, il modello apprende come qualsiasi altro AI – attraverso il ragionamento tradizionale di chain-of-thought. Ciò gli fornisce una solida base di comprensione.

Fase 2: La Transizione

È qui che le cose si fanno interessanti. Gradualmente, quei passi di ragionamento scritti vengono sostituiti con pensieri continui. Immaginate di rimuovere lentamente le ruote di addestramento, lasciando che il modello sviluppi i propri modelli di pensiero interni.

Fase 3: L’Equilibrio

Infine, il modello apprende a passare senza problemi tra il pensiero profondo nello spazio latente e la comunicazione dei suoi insight in linguaggio chiaro.

Durante la formazione, il modello ha sviluppato abilità che nessuno aveva programmato esplicitamente – come considerare più percorsi di ragionamento contemporaneamente. Questo comportamento emergente è particolarmente emozionante perché suggerisce che potremmo stare avvicinandoci a forme più naturali di ragionamento AI. Sono questi sviluppi inaspettati che spesso portano ai più grandi progressi.

Ricordate quegli studi di neuroimmagine che ho menzionato prima? Hanno mostrato che i cervelli umani spesso elaborano compiti di ragionamento complesso senza impegnare fortemente i centri linguistici. COCONUT sembra stare sviluppando modelli simili – pensando profondamente nel suo spazio neurale nativo e convertendo in linguaggio solo quando necessario per la comunicazione.

I Numeri Raccontano una Storia

Alcuni risultati chiave spiccano dalla ricerca:

Problematiche Matematiche (GSM8k): qui, COCONUT ha raggiunto il 34,1% di accuratezza. Sebbene questo sia al di sotto del tradizionale Chain-of-Thought (42,9%), è significativamente meglio degli approcci di base.
Deduzione Logica (ProntoQA): COCONUT ha raggiunto il 99,8% di accuratezza, superando il tradizionale Chain-of-Thought (98,8%). Ma ecco il punto chiave – lo ha fatto utilizzando solo 9 token rispetto ai 92,5 di CoT.
Pianificazione Complessa (ProsQA): i risultati più impressionanti provengono da questo test di ragionamento avanzato. COCONUT ha raggiunto il 97% di accuratezza mentre i metodi tradizionali hanno raggiunto solo il 77,5%. E ancora, lo ha fatto con un’efficienza notevole – 14,2 token rispetto ai 49,4.

Ciò che rende questi risultati promettenti non è solo il numero grezzo – è ciò che rivelano sui diversi tipi di pensiero. Mentre COCONUT potrebbe ancora stare cercando di trovare il suo posto nel ragionamento matematico, eccelle in compiti che richiedono pianificazione logica e deduzione complesse.

COCONUT rappresenta una ripensamento fondamentale di come i sistemi AI possono ragionare, e ci avvicina a forme più naturali, efficienti e potenti di intelligenza artificiale. Il passaggio dal ragionamento basato sul linguaggio al pensiero continuo è un passo verso sistemi AI più capaci ed efficienti.