---
title: Un team della Tsinghua University sviluppa l'Algebraic World Model per migliorare il ragionamento dell'intelligenza artificiale
url: https://www.elseif.net/it/un-team-della-tsinghua-university-sviluppa-lalgebraic-world-model-per-migliorare-il-ragionamento-dellintelligenza-artificiale
published: 2026-11-04T09:06:28+00:00
language: it
section: Modelli
source: https://www.qbitai.com/2026/11/507031.html
organizations: Tsinghua University
publisher: elseif
---

# Un team della Tsinghua University sviluppa l'Algebraic World Model per migliorare il ragionamento dell'intelligenza artificiale

Un gruppo di ricerca guidato da Yao Qizhi e Yuan Yang presso la Tsinghua University ha creato l'Algebraic World Model, noto come AWM. Questo sistema mira a permettere all'intelligenza artificiale di comprendere il mondo attraverso l'osservazione e la sperimentazione, analogamente a come gli esseri umani deducono leggi fondamentali dai dati.

Il modello AWM affronta i limiti dei modelli linguistici di grandi dimensioni nel comprendere l'essenza delle regole di un ambiente. In test condotti con il set di giochi ARC-AGI-3, modelli come GPT-6 Astra e Claude Opus 5.5 hanno mostrato difficoltà nel determinare l'impossibilità di completare determinati livelli. In dodici test simili, questi modelli hanno identificato solo cinque volte l'impossibilità di superare una sfida, e in quattro di questi casi il numero minimo di passi indicato per vincere era errato.

L'AWM risolve questo problema astraggendo oggetti, relazioni e regole in un mondo algebrico, sfruttando le capacità matematiche dei modelli per comprendere l'ambiente. Utilizzando il modello Opus 5.5, l'AWM ha dimostrato in soli due tentativi che un livello specifico era irrisolvibile con i passi disponibili, precisando che sarebbe bastato un solo passo in più per vincere.

Le prestazioni dell'AWM nel set di test ARC-AGI-3 sono state elevate. Utilizzando Opus 5, il sistema ha completato tutti i 183 livelli, raggiungendo un punteggio del 99,9 per cento. Inoltre, il numero medio di azioni necessarie per completare i livelli è stato pari a soli 43 per cento rispetto al parametro di riferimento umano.

Dal punto di vista tecnico, l'AWM trae ispirazione dalla teoria delle categorie, un ramo della matematica che studia le strutture comuni a diverse teorie. Il sistema utilizza specificamente due strumenti, i limiti proiettivi e i limiti induttivi, per iterare ipotesi scritte in Python. Questo processo trasforma dati frammentati in un modello di mondo coerente, semplice e capace di fornire prove e ragionamenti.

I ricercatori hanno precisato che il modello presenta dei limiti, poiché le sue prove sono valide solo per il mondo osservato. Se l'esplorazione non è completa o se vengono omesse regole chiave, il modello produce una verità locale anziché una rappresentazione completa del mondo.