Andrej Karpathy ha pubblicato su YouTube un breve video in cui affronta il puzzle dei 64 cubi di zucchero, un problema di problem-solving visuale che richiede di immaginare e combinare oggetti nello spazio. La discussione su Hacker News è andata oltre l’aneddoto, con interventi seri su cosa dicono i puzzle visivi sulle capacità di reasoning e planning dei modelli.

I modelli linguistici sono diventati bravi a ragionare su testo e codice, ma il ragionamento spaziale e visuale resta un territorio meno esplorato. Un puzzle che una persona risolve guardando e manipolando oggetti fisici è un buon banco di prova per capire dove l’AI arriva da sola e dove ha bisogno di rappresentazioni esterne, feedback iterativo o strumenti supplementari.

La domanda che attraversa la discussione su HN è la stessa che torna in ogni progetto con agenti: capire se il modello sa pianificare una sequenza di passi verso un obiettivo o se si perde a metà strada. È la differenza fra chiedere a un assistente di risolvere un’equazione e chiedergli di organizzare uno spazio fisico tenendo conto dei vincoli geometrici.

Nel dettaglio

Il ragionamento dei modelli frontier è stato messo alla prova soprattutto su testo e matematica. GPT-5.6 Sol ha dimostrato congetture matematiche aperte da decenni, e la discussione pubblica si è concentrata su quanto i modelli sappiano “pensare” in simboli. Il puzzle dei cubi di zucchero sposta l’attenzione su un tipo diverso di ragionamento: quello spaziale e visuale, dove il problema va risolto immaginando o manipolando oggetti in uno spazio tridimensionale.

Cosa rende questo caso interessante.

Karpathy non è un osservatore qualunque. Ex direttore dell’AI presso Tesla e uno dei ricercatori più ascoltati nel deep learning, ha una capacità rara di scegliere esempi che isolano un problema concettuale. Il fatto che abbia scelto un puzzle visuale suggerisce che lo considera un banco di prova per una capacità che i modelli attuali non padroneggiano ancora.

Cosa succede nel ragionamento spaziale.

Il reasoning spaziale richiede al modello di costruire e mantenere una rappresentazione dello spazio: dove sono gli oggetti, come si combinano, quale configurazione raggiunge l’obiettivo. E di aggiornare questa rappresentazione a ogni passo. Nei modelli linguistici questa mappa è implicita e va ricostruita dal testo, non dall’osservazione diretta. È il motivo per cui un modello può risolvere un’equazione ma inciampare su un problema che un bambino risolve guardando.

Cosa significa per chi usa l’AI.

Se costruisci agenti o workflow che richiedono ragionamento su spazio, layout o configurazioni fisiche, il punto è pratico: il modello da solo potrebbe non bastare. Serve dargli una rappresentazione esterna del problema o un feedback iterativo, come faresti con un collega che ragiona meglio con un disegno davanti. Il principio è lo stesso che tre paper convergenti hanno mostrato per il ragionamento testuale: gli strumenti e il contesto che dai all’agente contano più della potenza del modello.

I limiti.

Il video è breve e non è uno studio formale. Non ci sono numeri, confronti fra modelli o metodologie ripetibili. La discussione su Hacker News resta una conversazione, non un benchmark. Il puzzle solleva comunque una domanda legittima e verificabile: misurare quanto vale il ragionamento spaziale dei modelli attuali e dove conviene integrarli con strumenti che li aiutino a operare sullo spazio invece di immaginarlo dal testo.