L'IA non riesce ancora a imparare da poche immagini come fai tu

Punti chiave

• Apple ML Research ha pubblicato uno studio nel 2025 che mostra come i migliori modelli di visione artificiale attuali faticano a identificare un concetto condiviso in un piccolo insieme di immagini di esempio.
• I ricercatori hanno creato un benchmark chiamato VICIS (Visual Concept Inference from Sets) per misurare questo specifico gap nelle capacità dell'IA.
• Ogni modello all'avanguardia testato ha ottenuto scarsi risultati nel compito VICIS, suggerendo un punto cieco significativo nella progettazione dell'IA attuale.
• Il fallimento è importante perché gli strumenti di IA nel mondo reale chiedono sempre più spesso ai modelli di imparare da una manciata di esempi visivi, non solo da istruzioni scritte.

Ecco un'abilità che ogni bambino di cinque anni possiede. Mostragli tre foto di cani e una foto di un gatto, e ti dirà che il gatto non appartiene al gruppo. Mostragli tre foto di feste di compleanno e poi una foto di un falò sulla spiaggia, e indovinerà che il falò potrebbe essere una celebrazione.

I modelli di visione artificiale attuali non riescono a farlo in modo affidabile. Questo è il risultato dello studio di Apple ML Research, il cui team ha progettato un test chiamato VICIS, abbreviazione di Visual Concept Inference from Sets, per misurare esattamente questo gap.

Un modello visione-linguaggio, la tecnologia che permette a un'IA sia di guardare immagini che di leggere o scrivere testo, può seguire istruzioni scritte dettagliate con impressionante precisione. Chiedile di descrivere una foto, contare oggetti o leggere un'etichetta, e di solito funziona. Ma togligli le parole e chiedile di dedurre una regola puramente da poche immagini? Le prestazioni crollano drasticamente.

Perché dovrebbe interessare alle persone comuni?

Questo gap è importante perché molti strumenti di IA pratici si basano già sull'apprendimento da esempi. Un proprietario di negozio che vuole un'IA per ordinare le foto dei prodotti per stile, o un insegnante che la vuole usare per contrassegnare un certo tipo di diagramma, sta implicitamente chiedendo al modello di fare esattamente quello che VICIS testa. Se il modello non può farlo, questi strumenti produrranno risultati inaffidabili senza alcun avviso ovvio.

Il test VICIS funziona così. Il modello riceve un piccolo "context set", una manciata di immagini che condividono tutte un concetto, magari uno schema di colori, un'atmosfera, una forma o una relazione tra oggetti. Riceve anche un'immagine di "query" nuova. Il suo compito è generare o selezionare immagini che mantengano il concetto dal context set mantenendo coerenza con la query. Semplice in teoria. Si rivela difficile in pratica.

Ogni modello testato dal team di Apple è risultato insufficiente.

Ci sono due cose che vale la pena tenere a mente qui. Primo, questo è un articolo di ricerca, non un annuncio di prodotto. I modelli che hanno fallito sono gli stessi che alimentano gli strumenti utilizzati da milioni di persone oggi, quindi il risultato è reale, ma non significa che questi strumenti siano inutili. Significa che una capacità specifica è più debole di quanto potremmo presumere.

Secondo, vale la pena menzionare il bias di sopravvivenza. Quando senti parlare di uno strumento di IA che ha imparato uno stile nuovo da poche immagini e l'ha azzeccato, quella storia è finita sulle notizie perché ha funzionato. Le mille volte in cui ha prodotto sciocchezze con sicurezza non l'hanno fatto.

Conclusione onesta: Se usi uno strumento di IA per immagini e lo nutri con poche foto di esempio aspettandoti che "colga l'idea", testa attentamente il suo output prima di fidarti. Mostragli degli esempi, poi verifica se ha davvero seguito il concetto o ha solo copiato dettagli superficiali come il colore. I tuoi stessi occhi rimangono il giudice migliore qui.