C’è un motivo semplice dietro un confronto che a prima vista sembra paradossale: in un gioco come gli scacchi, dove conta la precisione dei calcoli e la solidità della strategia, vince chi sa analizzare meglio le mosse e prevedere le conseguenze, non chi trova le parole più eleganti. Un modello linguistico di grandi dimensioni produce il testo passo dopo passo, affinando la scelta di ogni parola attraverso schemi statistici complessi e conoscenze acquisite in un vasto addestramento, unendo pattern linguistici, coerenza e adattamento al contesto; un motore scacchistico, anche su vecchi computer o console a 8 bit che eseguono storici giochi di scacchi, calcola mosse legali e valuta posizioni esplorando l’albero delle varianti. Il primo elabora previsioni per la parola successiva applicando valutazioni probabilistiche complesse, il secondo “pensa” in termini di mosse e conseguenze. Quando i due si affrontano sulla scacchiera, questa differenza di metodo decide l’esito.
Un modello linguistico, se nei dati ha incontrato molte partite commentate, apprende che dopo 1.e4 (apertura con il pedone di re che avanza di due case) spesso compare 1…e5 (risposta simmetrica del nero con il pedone di re), che lo sviluppo del cavallo verso il centro suona plausibile, che un sacrificio in attacco si racconta in un certo modo. Non ha però accesso nativo a un motore di regole: non aggiorna automaticamente una scacchiera interna con pezzi e case occupate, non verifica la legalità di ogni mossa, non cerca sistematicamente confutazioni né calcola lunghi tatticismi. Può mantenere uno stato di gioco se glielo descriviamo mossa per mossa e se il prompt lo obbliga a riscrivere la posizione, ma la memoria di lavoro resta fragile e, con il passare delle mosse, aumentano gli errori di coerenza. Di fronte a combinazioni forzanti, la mancanza di una ricerca profonda fa emergere risposte plausibili in lingua, non necessariamente corrette sulla scacchiera.
Gli ormai diffusi “modelli pensanti” che integrano pianificazione passo‑passo, verifiche intermedie e auto‑controlli, migliorano sensibilmente il gioco rispetto ai modelli standard. Riescono a tenere meglio traccia della posizione, mostrano maggiore coerenza nelle sequenze brevi e commettono meno errori sulle regole quando devono aggiornare lo stato mossa per mossa. Tuttavia, finché restano modelli linguistici puri, non svolgono una vera ricerca sistematica nell’albero delle varianti e non garantiscono la legalità delle mosse su sequenze lunghe. Nei tatticismi complessi o nei finali estesi, queste limitazioni tornano a farsi sentire.
Un motore scacchistico segue un’altra logica. Mantiene una rappresentazione precisa della posizione, genera solo mosse legali, aggiorna lo stato in modo deterministico dopo ogni spostamento, valuta ogni posizione con un punteggio numerico e prosegue l’analisi con il metodo minimax e la potatura alfa–beta, che alternano massimizzazione e minimizzazione riducendo le varianti da esplorare. Per efficienza e precisione applica tecniche maturate in decenni di lavoro: aumenta la profondità passo dopo passo (approfondimento iterativo), ordina le mosse per esaminare prima le più promettenti, effettua ricerche aggiuntive nelle posizioni tatticamente complesse (ricerche di quiete), riusa analisi già svolte tramite tabelle di trasposizione e impiega euristiche come “killer moves” e “history” per guidare la scelta. Su macchine moderne queste idee consentono profondità elevate; su hardware a risorse minime la profondità cala a poche mezze mosse (plies), ma l’esecuzione rimane rigorosa e lo stato sempre coerente.
Si tende a pensare che un 8 bit sia troppo debole per sostenere simili calcoli. In realtà, i motori storici che giravano su computer come Commodore 64, ZX Spectrum o Apple II, e perfino su console come l’Atari 2600, aggiravano i vincoli con scelte ingegneristiche mirate. Al posto di bitboard di grandi dimensioni si adottava spesso una rappresentazione “mailbox”, con ogni casella memorizzata singolarmente. La funzione di valutazione restava essenziale — materiale, mobilità, struttura dei pedoni, sicurezza del re — mentre la profondità, pur limitata, veniva sfruttata al meglio grazie all’ordinamento delle mosse e alla potatura alfa‑beta, che scartavano in fretta le varianti deboli. Motori come Sargon o Colossus Chess individuavano linee tattiche a tre‑cinque mezze mosse e, con tabelle di trasposizione ridotte ed euristiche semplici, arrivavano a qualche centinaio di posizioni al secondo. Era sufficiente per evitare trappole e calcolare scambi corretti: la coerenza dello stato e la verifica continua della legalità delle mosse facevano il resto. Questa disciplina algoritmica mette in difficoltà un avversario che propone mosse basandosi sulla plausibilità linguistica prodotta dal modello, cioè sulla coerenza con gli schemi e le associazioni apprese in fase di addestramento, invece di verificarne concretamente la correttezza sulla scacchiera.
Negli ultimi mesi sono arrivate conferme sperimentali di questo divario metodologico. In prove documentate pubblicamente, un Atari 2600 del 1979 con il gioco Video Chess — un programma contenuto in 4 KB di ROM e supportato da appena 128 byte di RAM di sistema — ha sconfitto modelli linguistici contemporanei impiegati tramite interfacce conversazionali. Gli errori non dipendevano dalle regole del gioco in astratto, ma dalla difficoltà dei modelli nel preservare uno stato coerente tra una mossa e l’altra e nel controllare la legalità dei propri suggerimenti. Il software degli anni Settanta, pur minimale, manteneva invece una rappresentazione precisa della posizione e conduceva una ricerca sistematica nell’albero delle varianti.
Il punto debole del modello linguistico è proprio la gestione rigorosa dello stato. Se gli si chiede di commentare e giocare, alterna prosa e notazione algebrica ma non garantisce che dopo 18…Cxd4 la casa d4 sia davvero libera, che l’arrocco sia permesso o che un pedone en passant sia ancora catturabile. Gli errori non derivano da ignoranza generale del gioco, bensì dall’assenza di un ciclo ferreo “genera mosse legali → valuta → esplora”. Quando la variante richiede dieci mosse accurate di fila per evitare il matto, senza ricerca la probabilità di deviare cresce a ogni scelta. Un motore anche modesto, invece, percorre quel corridoio stretto grazie alla potatura e alla verifica continua delle minacce forzanti.
La notizia di questa sconfitta, in Italia, è stata ripresa da una parte della stampa notoriamente critica verso lo sviluppo dell’intelligenza artificiale. Alcuni titoli e articoli hanno sfruttato l’episodio per rafforzare la narrativa secondo cui i modelli linguistici non sarebbero affidabili neppure in compiti semplici, omettendo il contesto tecnico che spiega la natura della sfida. In questo modo, un evento curioso e circoscritto è stato presentato come prova di limiti strutturali generali, alimentando una percezione negativa nell’opinione pubblica più incline a diffidare di queste tecnologie.
Accanto ai motori “classici” esistono intelligenze artificiali specializzate nate con un’altra filosofia, resa celebre dalla famiglia Alpha di Google DeepMind. AlphaGo, AlphaGo Zero e AlphaZero uniscono reti neurali profonde per politica e valore a una ricerca con Monte Carlo Tree Search. Le reti forniscono suggerimenti di mosse e valutazioni di posizione; la ricerca concentra l’esplorazione dove conta. L’addestramento avviene tramite autoapprendimento, giocando milioni di partite contro se stessi e aggiornando i parametri per allineare previsione e risultato. Questo ciclo crea un giocatore che non dipende da aperture codificate dagli umani e che, in discipline come il Go, ha superato stabilmente i migliori professionisti. Nel caso degli scacchi, lo stesso approccio ha raggiunto livelli oltre il vertice umano e in grado di competere con i motori tradizionali, spesso imponendo uno stile diverso ma altrettanto concreto in termini di risultati. La definizione di “sovrumano” è qui appropriata perché si basa su metriche pubbliche e verificabili, come il punteggio Elo ottenuto, le vittorie in match contro campioni umani e un dominio statistico costante in condizioni di gioco controllate, indicatori concreti che dimostrano prestazioni superiori a quelle dei migliori giocatori umani.
Queste intelligenze specializzate si distinguono sia dai motori classici sia dai modelli linguistici. Rispetto ai motori, sostituiscono gran parte della valutazione scritta a mano con una funzione appresa che cattura pattern a lungo raggio e sfumature posizionali difficili da codificare; la ricerca resta però centrale e lavora su stati di gioco espliciti. Rispetto a un modello linguistico, l’interazione con il mondo è vincolata da regole e azioni discrete, lo stato è interno e garantito, la pianificazione profonda non è un effetto collaterale ma il meccanismo che guida ogni decisione. Una volta fissato il dominio, queste macchine affinano competenze fino a superare gli umani perché combinano apprendimento statistico e pianificazione sistematica.
Tornando al confronto iniziale, la vittoria del piccolo motore su un grande modello di linguaggio non è uno scherzo da laboratorio, ma la conseguenza di scelte architetturali diverse. Il motore ha poco lessico e molta logica di gioco; il modello ha molta conoscenza testuale e poca ricerca. Se al modello si collega un motore esterno o un sistema di pianificazione che tenga lo stato e verifichi la legalità delle mosse, la musica cambia e le prestazioni crescono rapidamente: il modello formula piani, il motore li convalida e li esegue. Finché però resta da solo, senza strumenti, un semplice 8 bit che esplora correttamente l’albero delle varianti gli crea problemi seri.
Da questa vicenda emerge un criterio chiaro per valutare le tecnologie: quando le regole sono rigide, lo stato è ben definito e serve pianificare molte mosse in anticipo, il calcolo strutturato supera la generazione di testo. Nei compiti più aperti, linguistici o creativi, i modelli di linguaggio offrono maggiore flessibilità e ampiezza. Nei giochi combinatori, le intelligenze specializzate che imparano e pianificano raggiungono prestazioni che spesso superano quelle umane. Non si tratta di una classifica generale delle “intelligenze”, ma di una corrispondenza tra metodo e problema. Sulla scacchiera, il metodo che esplora e verifica prevale anche con risorse limitate; nella scrittura, la situazione si ribalta. E quando i due approcci si combinano, il risultato può essere superiore alla somma delle singole parti.
