Gemini Deep Think: un test su 5 problemi reali

Google ha rilasciato di recente la modalità Deep Think per Gemini 2.5 Pro. Deep Think è una funzionalità pensata per risolvere problemi complessi. Funziona applicando il pensiero parallelo per esplorare più idee contemporaneamente, confrontarle e poi scegliere la soluzione più efficace.

In questo articolo ne esplorerò le capacità chiedendogli di risolvere problemi reali. Dalle domande di livello PhD alle sfide di business, ho testato Deep Think su cinque problemi complessi per valutarne le prestazioni.

Teniamo i nostri lettori aggiornati sulle ultime novità in ambito AI con The Median, la nostra newsletter gratuita del venerdì che spiega le notizie chiave della settimana. Iscriviti e resta sul pezzo in pochi minuti a settimana:

Che cos'è Gemini Deep Think?

Gemini Deep Think è un nuovo miglioramento aggiunto al modello Gemini 2.5 Pro che porta le capacità di problem solving a un nuovo livello. La versione messa a disposizione è una semplificazione del modello che recentemente ha ottenuto prestazioni di vertice alla International Mathematical Olympiad (IMO) di quest’anno.

La versione originale impiega ore per affrontare problemi matematici difficili, ma quella rilasciata oggi è molto più rapida e adatta ai compiti quotidiani, pur raggiungendo un livello Bronzo all’IMO 2025.

Deep Think è pensata per le domande di tutti i giorni, ma mantiene comunque forti capacità di problem solving. Gli utenti possono aspettarsi risposte approfondite e argomentate perché Deep Think affronta i compiti complessi estendendo il proprio "tempo di pensiero", riuscendo così a generare, valutare e combinare idee diverse in modo molto efficiente.

Nota che la funzione Deep Think non è la stessa cosa di Deep Research, che è invece pensata per raccogliere e riassumere informazioni dal web, con fonti e report strutturati. Una pensa più a fondo, l’altra ricerca più a fondo.

Come accedere a Deep Think?

Al momento, Deep Think è accessibile sulla Gemini App ma è disponibile solo con l’abbonamento Google AI Ultra, che costa €274,99 al mese.

È disponibile anche tramite API, ma solo per un insieme selezionato di utenti. Non sappiamo ancora se verrà distribuita a tutti.

Se hai un abbonamento Google AI Ultra, puoi attivare Deep Think cliccando il pulsante in fondo al campo di input del prompt.

Tieni presente che, anche con l’abbonamento Ultra, sei limitato a circa cinque messaggi al giorno.

Come funziona Deep Think

Gemini Deep Think opera seguendo un processo simile a un brainstorming umano, in cui esplora numerose possibilità in parallelo per risolvere un problema.

Questo è reso possibile dal pensiero parallelo, che consente all’AI di considerare contemporaneamente varie strade e alternative, invece di seguire un unico approccio lineare. Concedendo un "tempo di pensiero" esteso, Gemini Deep Think analizza, confronta e fonde idee diverse per arrivare alla soluzione migliore possibile.

Questo metodo permette a Gemini di gestire efficacemente compiti complessi simulando molteplici esiti e strategie, offrendo agli utenti risposte solide e ingegnose a quesiti impegnativi in tempi relativamente brevi.

Test 1: affrontare un problema aperto da PhD

Quando ho scritto la mia tesi di dottorato, ho lasciato aperti alcuni problemi che non sono riuscito a risolvere. Ho deciso di testare Gemini Deep Think su uno di questi.

Il problema riguarda le reti di computer. Il traffico si muove in una rete di computer usando i percorsi più brevi, in modo simile a quanto fa un navigatore quando guidi. La lunghezza di ogni collegamento di rete è solo un numero positivo e può essere configurata in qualsiasi modo.

Tuttavia, non è pratico impostare lunghezze molto grandi sui collegamenti, quindi vorremmo rendere il peso massimo il più piccolo possibile.

Ecco il prompt inviato a Gemini Deep Think:

Dopo circa 15 minuti, è tornato con una risposta. Ha proposto un algoritmo goloso. Si tratta di un algoritmo non ottimale che però cerca di trovare una soluzione sufficientemente buona.

Mi sono reso conto che il mio prompt iniziale non era quello che volevo. Volevo che trovasse un algoritmo che individuasse la soluzione migliore oppure provasse che probabilmente un tale algoritmo non esiste.

Quindi ho proseguito la conversazione:

Dopo altri 15 minuti, ha risposto che il problema è NP-hard. Questo significa che è probabile che non esista un algoritmo veloce per questo problema.

È anche ciò che penso io. Ho iniziato a leggere la dimostrazione, ma mancavano molti dettagli cruciali. Invece, forniva alcune spiegazioni ad alto livello e diceva che la risposta è molto complessa:

Ho continuato a insistere chiedendo le informazioni mancanti, ma non sono mai riuscito a ottenere una dimostrazione completa, quindi non ho potuto verificare se avesse davvero risolto il problema.

Mi ha ricordato un po’ il classico meme matematico di Sidney Harris:

Nelle risposte ho notato che il modo in cui era scritto faceva sembrare che non avesse trovato la risposta da solo, ma stesse usando una dimostrazione nota. L’ho chiesto, e ha detto che è un risultato conosciuto, pubblicato in un articolo del 2002.

Ha fornito il titolo del paper, ma non sono riuscito a trovarlo online. A quanto pare, l’autore era nella commissione della mia tesi. Sarebbe abbastanza divertente se avessero già risolto il problema e non me l’avessero mai detto.

Resto senza sapere cosa pensare di questo esempio. Ha trovato la risposta ma non ha condiviso tutti i dettagli? Ha semplicemente ripetuto una risposta esistente? Oppure mancano i dettagli perché la risposta non è corretta?

Test 2: trovare il modo migliore di giocare

C’è un gioco di carte strategico a cui gioco e, di recente, ho lavorato per trovare la quantità massima di risorse che posso generare in uno stato di gioco specifico.

Tempo fa ho trovato delle formule che ritengo ottimali, ma non ho dimostrato che lo siano davvero. All’epoca chiesi ad altri modelli di ragionamento AI di trovare la soluzione, e fallirono miseramente. Non era solo che le risposte non fossero ottimali; non avevano senso rispetto alle regole del gioco.

Ho quindi deciso di provare Gemini Deep Think su questo problema. Non ho fornito le regole del gioco (ho supposto facessero parte del training). Ma ho fornito le regole di ciascuna carta. Non serve che tu capisca il gioco o il mio prompt per seguire questo esempio.

Ecco il prompt:

Una cosa da sapere su Gemini è che è piuttosto lento rispetto ad altri modelli, quindi aspettati di attendere tra i 5 e i 20 minuti per ottenere una risposta. Questo esempio è stato tra i più rapidi e ha impiegato circa 5 minuti.

Ecco una parte della risposta che abbiamo ottenuto. Questa sezione mostra i passaggi e le formule. Prima ha spiegato il ragionamento:

Tuttavia, dato che avevo già risolto il problema, sapevo che questo non era corretto e che si poteva fare di meglio. Questo per via di una regola che consente di aggirare alcuni vincoli delle carte, che non avevo esplicitato. Non so se l’abbia mancata per scarso ragionamento o perché le regole non fossero pienamente incluse nel training.

In ogni caso, questo mostra che può avere punti ciechi in domini specifici, quindi bisogna essere cauti con le risposte che otteniamo. Se questa fosse stata una domanda importante che non avevo già risolto, non avrei saputo che la risposta non era buona e avrei potuto usarla alla cieca, dando per scontato che lo fosse. D’altra parte, se devo risolverla da solo, allora non ho bisogno dell’AI in primo luogo.

Gli ho detto che la risposta era sbagliata e ho fornito alcune informazioni aggiuntive per vedere se riusciva a migliorarla.

Questa volta ha fornito la stessa risposta che avevo trovato io. Ecco una parte della risposta che ha dato:

Una cosa che mi ha deluso è che non ha fornito una dimostrazione che questa sia la risposta migliore possibile.

Test 3: risolvere un rompicapo di logica

Poi ho provato a fargli risolvere un rompicapo logico che mi piace molto.

In questo caso ha risposto molto più velocemente. La risposta ha esordito dicendo che è un classico problema di logica.

Poi ha spiegato una strategia per risolvere il rompicapo. In questo caso è chiaro che non c’è stato molto ragionamento e che l’AI era già stata addestrata sulla soluzione.

Questa è una delle questioni difficili quando si valutano questi modelli. Trova la risposta perché l’ha elaborata, o perché era già codificata e l’ha semplicemente rigettata fuori?

Per metterlo più alla prova, ho aggiunto un altro vincolo per vedere il risultato. Mi sono inventato questa variante sul momento e non l’avevo mai vista prima. Non sapevo se questa versione avesse una soluzione.

Questa volta ha impiegato di nuovo molto tempo a rispondere, il che è un buon segno. Ha detto di aver trovato una soluzione a questa variante più difficile:

Tuttavia, leggendo la risposta completa, sembra che la soluzione contenga alcuni errori. Alla fine della risposta, fornisce un esempio di esecuzione del piano e si rende conto che non funziona.

Dice che esiste una soluzione, ma non ho insistito oltre. Il comportamento è un po’ simile all’esempio precedente, in cui vengono omessi passaggi importanti e alla fine restiamo nel dubbio se riesca davvero a risolvere il problema oppure no.

Esempio 4: strategia per una carta fedeltà in un’attività

Sto implementando un programma di carta fedeltà digitale nel mio bar e mi chiedevo quale fosse la strategia migliore. Ho fornito i dettagli a Gemini Deep Think e ho chiesto un’analisi completa di diverse strategie e una raccomandazione.

Ecco il prompt che ho usato:

Anche in questo caso non ci ha messo molto a rispondere. Ha proposto quattro soluzioni e ha fornito pro e contro di ciascuna.

Prima soluzione:

Seconda soluzione:

Terza soluzione:

Quarta soluzione:

Per questo problema, pur apprezzando la risposta, non l’ho trovata molto diversa da ciò che propongono altri modelli. Ho la sensazione che usare Deep Think per problemi di questo tipo sia eccessivo e che modelli AI generici possano fare un lavoro altrettanto valido per questi compiti.

Esempio 5: scrivere codice

Infine, ho testato Gemini Deep Think su un compito di programmazione. Non ho specificato il linguaggio né dettagli tecnici, solo il problema che volevo risolvere.

La risposta è stata molto deludente e non ha nemmeno fornito il codice. Potrebbe essere stato un semplice bug, ma al prezzo di Deep Think non è accettabile.

La risposta non solo non ha fornito il codice, ma non ha nemmeno spiegato come funziona la soluzione. Ho raggiunto il limite di messaggi quando ho inviato questo messaggio, quindi mi chiedo se ciò abbia in qualche modo influenzato la risposta. Anche se mi sembra strano, dato che questo messaggio era comunque entro il limite.

Conclusione

Con i problemi che ho provato, non ho percepito un grande divario tra le risposte fornite da Deep Think e quelle di altri modelli con chain-of-thought. Quindi, nonostante le migliori prestazioni nei benchmark e la capacità di vincere medaglie d’oro, mi chiedo se offra molto valore per la maggior parte delle persone. Lo vedo come uno strumento rivolto ai ricercatori.

Una cosa che mi ha infastidito è che, una volta raggiunto il limite di Deep Think, non puoi proseguire la conversazione con un modello normale. Spesso ho pensato che sarebbe stato sufficiente avviare la soluzione del problema con Deep Think e poi lasciare che un modello normale sviluppasse le idee iniziali fino ad arrivare a una soluzione finale.

Penso comunque che Deep Think porti con sé risultati notevoli. Vincere una medaglia all’IMO non è cosa da poco e, man mano che questi modelli evolvono, possono diventare strumenti estremamente utili per i ricercatori. Credo che, affiancato a un umano, Deep Think possa aiutare a far avanzare la ricerca.

Durante il mio dottorato, spesso mi bloccavo nel condividere idee con altri, anche quando non riuscivano a fornire una soluzione. Sarebbe stato fantastico avere un modello come Deep Think al mio fianco per fare brainstorming più spesso e aiutarmi più rapidamente a validare o scartare idee.