Ricercatore utilizza Gemini e Python per esperimenti numerici evidenziando limiti computazionali
10 novembre 2026 · 3 min di lettura
Pubblicato anche in Français, Nederlands
Un ricercatore ha condotto studi matematici impiegando modelli di intelligenza artificiale generativa per eseguire esperimenti numerici e redigere articoli scientifici. L'autore ha utilizzato specificamente il modello Gemini accessibile tramite il browser Google Chrome, combinandolo con il linguaggio di programmazione Python per sviluppare algoritmi e analizzare i dati. L'attività si è concentrata sulla valutazione delle prestazioni computazionali, inclusi i tempi di esecuzione, il consumo di memoria RAM e l'impatto del rumore ambientale generato dal sistema operativo e dai processi in background. Questo approccio ha permesso di identificare sia i vantaggi che le carenze nell'interazione tra uomo e macchina durante ricerche esplorative prive di piani rigidi.
La natura del lavoro svolto è stata definita come ricerca esplorativa, caratterizzata da un metodo basato su ipotesi aperte piuttosto che su sequenze lineari predeterminate. A causa dell'assenza di scadenze fisse e di ambiti di applicazione predefiniti, il processo ha seguito principi agili che privilegiano la flessibilità, distaccandosi dalle metodologie a cascata tradizionali. Questa impostazione ha influenzato direttamente le modalità di collaborazione con l'intelligenza artificiale, richiedendo adattamenti continui durante lo sviluppo del codice e la formulazione delle teorie matematiche. L'autore ha sottolineato che tale contesto favorisce un iterazione rapida dove le domande sorgono spontaneamente durante il processo investigativo.
Per garantire la qualità del software generato, è stato adottato un metodo di test a scatola nera, nonostante la conoscenza non perfetta del linguaggio di programmazione da parte del ricercatore. Il codice prodotto dall'intelligenza artificiale è stato sottoposto a verifiche ripetute utilizzando diversi insiemi di dati di input, con richieste di correzione inviate al modello in caso di errori. Una tecnica particolare ha coinvolto la creazione di dialoghi simulati tra due sessioni distinte del modello, ottenute aprendo schede separate del browser. In questo scenario, le risposte di una sessione venivano fornite all'altra per stimolare un confronto critico, rivelando incongruenze o confermando risultati attraverso un consenso raggiunto mediamente in tre o quattro scambi di informazioni.
È emersa una limitazione fondamentale riguardante le capacità di calcolo diretto del modello. Quando sollecitato a eseguire operazioni aritmetiche senza generare codice eseguibile, il sistema ha ammesso di non possedere un'unità logico-aritmetica interna capace di comprendere realmente moltiplicazioni o divisioni. Il modello ha spiegato di riprodurre soltanto tracce testuali di come i calcoli appaiono solitamente nei dati di addestramento, perdendo accuratezza non appena il formato del compito devia dagli standard consueti. Questa constatazione ha portato a preferire la generazione di script Python eseguibili rispetto al tentativo di ottenere risultati numerici diretti dalla conversazione testuale, evitando così errori derivanti da estrapolazioni illusorie.
L'esperienza ha inoltre evidenziato problemi di stabilità nelle sessioni prolungate. Dopo un certo numero di interazioni, le istanze del modello tendono a rallentare nelle risposte o ad accumulare errori progressivi che le correzioni dell'utente non riescono a risolvere definitivamente. In tali situazioni, l'unica soluzione efficace consiste nell'avviare una nuova sessione di lavoro per ripristinare l'affidabilità delle uscite. L'autore ha documentato questi comportamenti come aspetti critici da considerare quando si integra l'intelligenza artificiale in flussi di lavoro scientifici complessi, dove la precisione e la coerenza logica sono requisiti indispensabili per la validità dei risultati ottenuti.