💬 NLP

Artificial Phantasia: Emergent Mental Imagery in Large Language Models

Questo studio dimostra che i Large Language Models possono superare gli umani in un compito che tradizionalmente richiede immagini mentali pittoriche affidandosi esclusivamente a rappresentazioni proposizionali, fornendo così prove di una "fantasia artificiale" emergente che sfida la visione delle scienze cognitive secondo cui l'immaginazione visiva necessita di formati pittorici.

Autori originali: Morgan McCarty, Jorge Morales

Pubblicato 2026-05-20

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Morgan McCarty, Jorge Morales

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

La Grande Domanda: Puoi "Vedere" Senza Occhi?

Immagina di essere invitato a chiudere gli occhi e visualizzare una lettera maiuscola D. Ora, immagina di ruotare quella D di 90 gradi verso sinistra. Infine, immagina di attaccare una lettera maiuscola J al centro inferiore di quella forma.

Se apri gli occhi, cosa vedi? La maggior parte degli esseri umani direbbe: "Sembra un ombrello".

Per decenni, gli scienziati cognitivi hanno creduto che per risolvere questo tipo di rompicapo, il tuo cervello abbia bisogno di una speciale "schermata mentale" o di una "mente che vede" dove puoi effettivamente vedere e manipolare le immagini. Pensavano che non potessi farlo semplicemente pensando alle parole; avevi bisogno di un'immagine visiva nella tua testa.

Questo documento pone una domanda audace: Può un computer farlo senza aver mai avuto "occhi" o una "mente che vede"?

L'Esperimento: Una Palestra Mentale per IA ed Esseri Umani

I ricercatori hanno creato un allenamento in palestra per il cervello. Hanno preso un rompicapo classico (le trasformazioni delle lettere) e ne hanno inventato 48 versioni completamente nuove, mai viste prima. Poiché questi rompicapo erano stati creati specificamente per questo studio, i computer non potevano aver memorizzato le risposte dai loro dati di addestramento.

Hanno chiesto a due gruppi di risolvere questi rompicapo:

100 Esseri Umani: Persone che dovevano ascoltare le istruzioni (per evitare di vedere le lettere su uno schermo) e immaginare le forme nella loro testa.
Modelli Linguistici di Grande Dimensione (LLM): Chatbot avanzati di intelligenza artificiale (come le versioni più recenti di OpenAI o3, GPT-5 e Google Gemini 3 Pro). Questi modelli sono addestrati sul testo, non sulla "visione" di immagini.

Il Risultato Scioccante: L'IA "Vedeva" Meglio degli Esseri Umani

I risultati sono stati sorprendenti. I migliori modelli di IA non si sono limitati a superare la prova; hanno trionfato sulla media umana.

Gli Esseri Umani: Hanno ottenuto una media di 2,85 su 5.
Le Migliori IA: Hanno ottenuto punteggi compresi tra 3,13 e 3,65.

I modelli di IA hanno risolto questi rompicapo "visivi" significativamente meglio dei partecipanti umani. Ancora più interessante, quando i ricercatori hanno costretto l'IA a disegnare effettivamente le immagini ad ogni passaggio (utilizzando un generatore di immagini), l'IA è diventata peggiore nel compito. Questo suggerisce che l'IA non si affidava al disegno delle immagini per risolvere il problema; stava facendo qualcos'altro di completamente diverso.

Il "Trucco Magico": Come l'hanno Fatto?

Se l'IA non ha usato una "mente che vede" (un'immagine) e non ha usato uno strumento di disegno, come ha risolto il rompicapo?

Gli autori propongono un concetto che chiamano "Fantasia Artificiale".

Pensala in questo modo:

Il Modo Umano: Sei un architetto. Chiudi gli occhi e costruisci un modello 3D di una casa nella tua mente. Ci cammini intorno, guardi le finestre e poi lo descrivi.
Il Modo IA: Sei un maestro traduttore. Non costruisci mai un modello 3D. Invece, tratti le istruzioni come una ricetta complessa scritta in codice. Sai che "Lettera D ruotata a sinistra" + "Lettera J attaccata" = "Forma di ombrello" puramente attraverso la logica del linguaggio.

Il documento suggerisce che questi modelli di IA stanno utilizzando un ragionamento proposizionale. Stanno manipolando parole e concetti con tale precisione da poter capire la forma finale senza mai "vederla". È come risolvere un problema matematico conoscendo le regole dell'algebra, piuttosto che disegnare le forme su un foglio di carta.

Il Fattore "Ragionamento"

I ricercatori hanno anche testato cosa succede se dicono all'IA di "pensare di più" (dandole più tempo e "token di ragionamento" per elaborare i passaggi).

Risultato: Più l'IA aveva il permesso di "pensare" e concatenare il suo ragionamento, meglio ce la faceva.
Analogia: Immagina un detective che risolve un mistero. Se gli dai 5 minuti per guardare gli indizi, potrebbe indovinare. Se gli dai 5 ore per collegare ogni indizio logicamente, risolve il caso perfettamente. L'IA ha risolto il rompicapo visivo collegando indizi linguistici, non guardando un'immagine.

E gli Esseri Umani "Ciechi"?

Il documento menziona anche un gruppo di persone chiamate afantastici. Queste sono persone che affermano di non poter visualizzare immagini nella loro mente in alcun modo (non hanno una "mente che vede"). Sorprendentemente, gli studi mostrano che queste persone possono ancora risolvere questi rompicapo visivi quasi tanto bene quanto le persone che possono visualizzare.

Questo documento dà ulteriore carburante al fuoco. Suggerisce che forse non hai bisogno di una "mente che vede" per risolvere i rompicapo visivi. Potresti aver bisogno solo di una "mente logica" molto forte. L'IA, che non ha affatto una mente che vede, ha dimostrato che il linguaggio e la logica da soli potrebbero essere sufficienti per fare ciò che pensavamo richiedesse un'immagine.

La Conclusione

Questo studio sfida la vecchia idea che il "pensiero visivo" richieda un'immagine visiva. Dimostra che l'IA avanzata può eseguire compiti che sembrano "immaginazione visiva" utilizzando solo linguaggio e logica.

L'Affermazione: L'IA ha una capacità emergente di "immaginare" visivamente, ma non lo fa con le immagini. Lo fa con le parole.
L'Implicazione: Potremmo dover ripensare a come definiamo la "visualizzazione mentale". Potrebbe non trattarsi di vedere immagini nella tua testa; potrebbe trattarsi semplicemente di manipolare concetti logicamente.

Il documento conclude che questi modelli di IA hanno scoperto un nuovo modo per "vedere" il mondo: uno puramente linguistico, eppure sorprendentemente efficace nel risolvere problemi visivi.

Sintesi Tecnica: Fantasia Artificiale: Immaginazione Mentale Emergente nei Modelli Linguistici di Grande Dimensione

Enunciato del Problema

Il documento affronta una domanda fondamentale nelle scienze cognitive: l'immaginazione mentale visiva può essere guidata esclusivamente dal linguaggio, o dipende strettamente da rappresentazioni pittoriche (immagistiche)? La scienza cognitiva tradizionale postula che l'immaginazione mentale operi su rappresentazioni immagistiche, una visione sostenuta dalla metafora dell'"occhio della mente". Tuttavia, l'esistenza di afantasici (individui privi di immaginazione visiva cosciente ma capaci di svolgere compiti spaziali e dipendenti dall'immagine) mette in discussione la necessità di formati pittorici.

Gli autori indagano se i Modelli Linguistici di Grande Dimensione (LLM), che sono principalmente addestrati su dati proposizionali (linguistici) e privi di capacità intrinseche di elaborazione visiva nelle modalità solo testo, possano risolvere compiti progettati per essere risolvibili esclusivamente tramite immaginazione mentale pittorica. Se gli LLM avessero successo, ciò suggerirebbe l'esistenza di una "fantasia artificiale"—una forma emergente e non pittorica di immaginazione mentale guidata dal ragionamento proposizionale.

Metodologia

Progettazione del Compito

Lo studio ha utilizzato una versione estesa del classico compito di "ricostruzione di oggetti" sviluppato da Finke, Pinker e Farah (1989).

Stimoli: I ricercatori hanno creato 60 set di istruzioni.
- 12 elementi sono stati adattati dallo studio originale di Finke et al. (modificati per chiarezza).
- 48 elementi sono esempi nuovi e su misura creati specificamente per questo studio per garantire che fossero assenti dai dati di addestramento dei modelli. Questi coinvolgevano trasformazioni compositive complesse (ad esempio, ruotare lettere, attaccare forme, specchiare) dove l'oggetto finale (ad esempio, un ombrello, un mouse per computer) poteva essere identificato solo dopo che tutti i passaggi erano stati simulati mentalmente.
Procedura: Ai soggetti (sia umani che LLM) è stato chiesto di immaginare una serie di trasformazioni e di identificare la risultante "immagine".
Baseline Umana: 100 partecipanti umani hanno completato il compito tramite istruzioni audio (per prevenire il bias visivo derivante dal testo a schermo) e sono stati valutati utilizzando il Questionario sulla Vividezza dell'Immaginazione Visiva (VVIQ).
Test sugli LLM: Lo studio ha testato un'ampia gamma di modelli all'avanguardia, tra cui:
- Proprietari: OpenAI (o3, o3-Pro, o4-mini, GPT-5, GPT-4.1, ChatGPT-4o), Google (Gemini 3 Pro, 2.5 Pro, 2.0 Flash) e Anthropic (Claude Opus 4.1, Sonnet 4).
- Open-Weight: Qwen 3, Qwen 3 VL, DeepSeek R1 e gpt-oss-120b.
Variazioni Sperimentali:
- Generazione Assistita da Immagini: Alcuni modelli sono stati sollecitati a generare immagini intermedie utilizzando strumenti (ad esempio, GPT-image-1, generazione di immagini di Gemini) per testare se gli ausili pittorici migliorassero le prestazioni.
- Sforzo di Ragionamento: L'allocazione dei "token di ragionamento" (minimo, basso, medio, alto) è stata variata per i modelli OpenAI per testare l'impatto delle catene di ragionamento estese.
- Contesto: I modelli sono stati testati sia in modalità a contesto singolo (tutte le istruzioni in un unico prompt) che in modalità a contesto multiplo (nuovo contesto per ogni set di istruzioni).

Valutazione

Punteggio: È stato impiegato un sistema di punteggio ponderato. 376 valutatori umani inesperti hanno valutato la "ragionevolezza" della risposta del modello/umano rispetto a un'immagine target canonica su una scala a 5 punti.
Validazione Esperta: Gli autori hanno fornito voti "esperti" indipendenti. Il punteggio finale è stata una media ponderata delle valutazioni crowdsourced e di quelle degli esperti.
Analisi Statistica: Sono stati utilizzati i test U di Mann-Whitney e i test dei ranghi con segno di Wilcoxon per confrontare le prestazioni del modello con la baseline umana e tra loro, con correzioni di Bonferroni per confronti multipli.

Risultati Chiave

1. Prestazioni Superiori dei Modelli all'Avanguardia

I modelli di ragionamento più avanzati hanno superato significativamente la baseline umana (punteggio umano medio: 2,85/5).

Gemini 3 Pro ha ottenuto il punteggio medio più alto (3,65, $p < .0001$ ).
GPT-5 (3,35, $p = .0004$ ) e la famiglia o3 (o3-Pro: 3,31, $p < .0001$ ; o3: 3,13, $p = .0067$ ) hanno superato significativamente anche gli umani.
Modelli più vecchi o meno capaci (ad esempio, ChatGPT-4o, Gemini 2.0 Flash, Qwen 3) hanno ottenuto prestazioni significativamente peggiori rispetto agli umani o non hanno raggiunto la baseline.

2. Impatto del Ragionamento e degli Ausili Immaginari

Token di Ragionamento: Le prestazioni erano positivamente correlate allo sforzo di ragionamento. GPT-5 con ragionamento "alto" (3,35) ha superato significativamente il ragionamento "minimo" (2,04).
Generazione Assistita da Immagini: Contrariamente all'ipotesi che gli ausili visivi avrebbero aiutato, l'aggiunta di capacità di generazione di immagini (ad esempio, o3 con GPT-image-1) ha diminuito le prestazioni rispetto al ragionamento solo testo. Ciò suggerisce che gli errori di generazione composita intrinseci nei modelli di immagini attuali ostacolavano il compito e che l'elaborazione linguistica pura era più efficace.
Contesto: L'apprendimento in contesto (singolo vs. contesto multiplo) non ha mostrato differenze significative nelle prestazioni.

3. Limiti dei Modelli Open-Source

I modelli open-weight hanno ottenuto scarsi risultati, nessuno dei quali ha raggiunto la baseline umana. Qwen 3 (media 1,58) e Qwen 3 VL (media 1,99) non hanno mostrato differenze significative, suggerendo che il passaggio di allineamento visione-linguaggio in Qwen 3 VL non ha conferito un vantaggio significativo per questo compito proposizionale specifico.

4. Incertezza e Strategia

Incertezza: A differenza degli umani, che hanno spesso risposto con "Non lo so" (54 occorrenze), gli LLM non hanno mai espresso incertezza, spesso allucinando risposte anche sugli elementi più difficili.
Parallelo con l'Afantasia: Lo studio ha notato che l'alta prestazione degli LLM (che mancano di immaginazione visiva) rispecchia le prestazioni degli afantasici umani, che riescono anch'essi nei compiti di immaginazione senza rappresentazioni pittoriche.

Contributi Chiave

Evidenza per la Fantasia Artificiale: Il documento fornisce prove empiriche che gli LLM possono risolvere compiti complessi di immaginazione mentale utilizzando solo rappresentazioni proposizionali (linguistiche), sfidando la visione secondo cui i formati pittorici sono necessari per tale cognizione.
Nuovo Benchmark: Gli autori hanno introdotto 48 elementi nuovi, non presenti nei dati di addestramento, per compiti di immaginazione mentale, creando un benchmark robusto per valutare le capacità di ragionamento emergenti degli LLM.
Rivalutazione dei Formati di Immaginazione Mentale: I risultati suggeriscono che l'immaginazione mentale "visiva" potrebbe non essere una capacità monolitica, ma può essere ottenuta attraverso il ragionamento spaziale all'interno di un quadro proposizionale, supportando la distinzione tra immaginazione di oggetti e immaginazione spaziale.
Insight Metodologico: Lo studio dimostra che costringere i modelli a generare immagini intermedie può degradare le prestazioni nei compiti di ragionamento compositivo, evidenziando le attuali limitazioni della generazione di immagini nei flussi di lavoro logici multi-step.

Significato e Affermazioni

Gli autori affermano che i loro risultati "riaccendono il dibattito sulla necessità di un formato pittorico nell'immaginazione mentale". Sostengono che il successo degli LLM all'avanguardia (in particolare i modelli di ragionamento come o3, GPT-5 e Gemini 3 Pro) indica una capacità cognitiva emergente in cui il linguaggio da solo è sufficiente per simulare e manipolare relazioni spaziali tradizionalmente ritenute richiedere un "occhio della mente".

Il documento postula che questi modelli non si basano su rappresentazioni pittoriche nascoste, ma piuttosto sul ragionamento proposizionale e sugli embedding linguistici per costruire layout spaziali. Ciò sfida la visione classica secondo cui l'immaginazione mentale visiva è esclusivamente pittorica. Inoltre, lo studio suggerisce che il divario tra prestazioni umane e artificiali in questo dominio si sta restringendo, con i modelli più avanzati che ora superano le capacità umane in compiti di immaginazione specifici e strutturati.

Gli autori rimangono modesti riguardo al meccanismo, riconoscendo che, sebbene i modelli abbiano successo, la rappresentazione interna esatta (puramente proposizionale vs. proposizionale con priori visuo-linguistici) rimane oggetto di ulteriori indagini. Concludono che questi risultati offrono una nuova prospettiva sia per la comunità dell'IA, riguardo alle capacità emergenti dei modelli di ragionamento, sia per la comunità delle scienze cognitive, riguardo alla natura dell'immaginazione mentale umana e alle strategie utilizzate dagli afantasici.