System 2 Thinking

Il pensiero di Sistema 2 è la modalità di ragionamento lenta, impegnativa e deliberata della teoria del doppio processo della cognizione umana, contrapposta al Sistema 1, rapido, automatico e intuitivo. Gli psicologi Keith Stanovich e Richard West hanno dato un nome ai due sistemi nel 2000, e Daniel Kahneman, che ha condiviso il Premio della Banca di Svezia per le scienze economiche in memoria di Alfred Nobel nel 2002, li ha resi popolari nel suo libro del 2011 Thinking, Fast and Slow. Kahneman illustra i due sistemi con il problema della mazza e della palla di Shane Frederick: una mazza e una palla costano insieme 1,10 $, e la mazza costa 1,00 $ in più della palla. Il Sistema 1 risponde che la palla costa 10 centesimi, mentre il Sistema 2, verificando il calcolo, trova 5 centesimi. Nell'intelligenza artificiale (AI), il termine descrive modelli e sistemi che impiegano calcolo aggiuntivo per ragionare, cercare o verificare prima di rispondere.

Sistema 1 e Sistema 2 nell'IA#

Un singolo passaggio in avanti di una rete neurale si comporta come il Sistema 1: un modello di classificazione delle immagini, un modello di rilevamento degli oggetti o una singola previsione del token successivo di un modello linguistico di grandi dimensioni (LLM) impiega lo stesso calcolo fisso per ogni input, facile o difficile. Yoshua Bengio ha posto questa distinzione al centro del suo intervento principale a NeurIPS 2019, «From System 1 Deep Learning to System 2 Deep Learning», sostenendo che il deep learning aveva padroneggiato la percezione rapida, ma necessitava ancora del ragionamento, della pianificazione e della capacità di generalizzare a nuove situazioni offerti dal Sistema 2. I metodi di Sistema 2 consentono al calcolo di crescere con la difficoltà, tramite ricerca, ragionamento passo dopo passo o verifica della risposta prima di confermarla.

L'IA per i giochi ha combinato presto i due sistemi. AlphaGo ha abbinato una rete di policy che propone a colpo d'occhio le mosse promettenti a una ricerca ad albero Monte Carlo (MCTS) che simula le varianti prima di scegliere, mentre Thinking Fast and Slow with Deep Learning and Tree Search (2017) di Thomas Anthony, Zheng Tian e David Barber ha addestrato la rete veloce a imitare la ricerca lenta, trasformando nel tempo i risultati deliberati in intuizione. I sistemi che usano entrambe le modalità spesso instradano ogni input:

Tecniche di Sistema 2 nei modelli linguistici#

Il prompting chain-of-thought chiede a un LLM di scrivere i passaggi intermedi, dandogli più token e quindi più calcolo prima della risposta. Il Tree of thoughts, il cui articolo del 2023 cita direttamente la teoria del doppio processo, esplora linee di ragionamento ramificate e torna indietro dai vicoli ciechi; nel rompicapo aritmetico del 24, ha portato il tasso di successo di GPT-4 dal 4% con il prompting chain-of-thought al 74%. I modelli di ragionamento, come o1 di OpenAI e DeepSeek-R1, vengono addestrati con l'apprendimento per rinforzo a ragionare a lungo in autonomia, mentre un modello di ricompensa del processo (PRM) può verificare ogni passaggio di una soluzione candidata durante la ricerca.

Molti prodotti offrono entrambe le modalità. Claude 3.7 Sonnet di Anthropic, rilasciato nel febbraio 2025, è un modello che risponde direttamente o usa il ragionamento esteso in base a un'impostazione, mentre GPT-5, rilasciato nell'agosto 2025, usa un router che indirizza ogni richiesta a un modello rapido o a un modello con capacità di ragionamento più approfondite, in modo simile al diagramma qui sopra.

Sistemi veloci e lenti nella visione e nella robotica#

La robotica suddivide i due sistemi tra modelli distinti che operano a velocità diverse. Helix di Figure, annunciato nel febbraio 2025, esegue un modello visione-linguaggio (VLM) da 7 miliardi di parametri a 7-9 Hz come Sistema 2, che interpreta la scena e il comando vocale, e una policy di controllo da 80 milioni di parametri a 200 Hz come Sistema 1, che converte l'output del VLM in movimenti continui della parte superiore del corpo, fino ai singoli dita.

Le pipeline di visione applicano la stessa separazione per contenere i costi. Il modello YOLO to VLM Monitor in Ultralytics Platform Agents esegue un modello nano YOLO26 su ogni immagine e chiama un VLM per descrivere la scena solo quando YOLO rileva almeno una persona; le immagini senza persone non raggiungono mai il modello più lento e costoso.

Costi e limiti#

Kahneman descriveva il Sistema 2 come pigro: il pensiero deliberato è faticoso, quindi le persone ricorrono per impostazione predefinita al Sistema 1 e spesso ne accettano gli errori. Nell'IA, il costo si traduce in latenza e calcolo: un modello di ragionamento può generare migliaia di token nascosti prima di rispondere a una domanda che un modello veloce gestisce in un solo passaggio, e l'instradamento determina quanto spesso si paga questo costo. La deliberazione, inoltre, non garantisce un ragionamento corretto. I passaggi scritti da un modello possono differire dal calcolo che ha prodotto la risposta, una discrepanza studiata nell'ambito dell'IA spiegabile (XAI), mentre i metodi di ragionamento latente spostano la deliberazione negli stati nascosti, che non lasciano alcuna traccia scritta.