Intelligenza artificiale nei test di QI: chi supererebbe Mensa e cosa significa?

Negli ultimi anni l’intelligenza artificiale ha ampliato il dibattito su quanto i modelli linguistici siano davvero in grado di “pensare” e su dove finisca la semplice previsione avanzata di schemi verbali.

Mentre la valutazione dell’AI si concentra su traduzione, comprensione del testo o generazione di codice, una nuova direzione di test si concentra sulle capacità analitiche e cognitive dei modelli – cioè su ciò che comunemente chiamiamo intelligenza.

Il progetto TrackingAI.org offre una prospettiva del tutto nuova su questo dibattito. Hanno deciso di testare i modelli linguistici su compiti comunemente usati nei test di QI umani, come le matrici di Raven o Mensa Norway.

Testare i modelli AI con test di QI

I test di QI – basati sulla capacità di riconoscere schemi, ragionare in modo deduttivo e comprendere la struttura – sono stati finora il dominio dell’intelligenza umana. Come mostrano i risultati della piattaforma TrackingAI, è possibile applicare questi test anche all’intelligenza artificiale, con conseguenze interessanti.

TrackingAI utilizza due principali tipi di test:

1. Test di QI offline – compiti creati in modo indipendente, senza comparire nei dati di addestramento dei modelli.

2. Test standardizzato Mensa Norway, comunemente usato per valutare il QI umano.

I risultati mostrano che alcuni modelli (ad es. Gemini 2.5 Pro, Claude 3 o GPT-4.5) raggiungono punteggi sopra la soglia di QI 110, che su scala umana corrisponde a un’intelligenza superiore alla media.

Al contrario, altri, incluse le versioni precedenti di Llama o alcuni modelli visivi, si muovono nell’intervallo 60–80 punti, quindi sotto la media.

Quali modelli AI raggiungono il QI più alto?

La tabella seguente riassume i risultati più recenti di alcuni modelli testati nell’aprile 2025. Il punteggio medio è calcolato come media aritmetica dei risultati di entrambe le serie di test:

È interessante notare che i modelli con alte prestazioni nella comprensione linguistica non sono sempre i migliori nei test logici. Le architetture multimodali che combinano input testuali e visivi non raggiungono ancora prestazioni stabili tra i diversi compiti.