GPT-5 e Gemini 2.5 Pro hanno raggiunto prestazioni paragonabili a quelle degli studenti da medaglia d’oro nelle prove teoriche delle Olimpiadi Internazionali di Astronomia e Astrofisica. Ma quando i problemi richiedono di interpretare figure, ragionare sulla geometria celeste o visualizzare oggetti nello spazio, anche i modelli migliori mostrano ancora limiti evidenti.
È il risultato di uno studio pubblicato il 19 agosto 2026 su Nature Astronomy, nel quale un gruppo di ricercatori ha utilizzato gli esami delle International Olympiad on Astronomy and Astrophysics, le IOAA, come banco di prova per cinque grandi modelli linguistici.
Il risultato più interessante non è che un’AI riesca a risolvere problemi difficili di astronomia. È il contrasto tra ciò che questi sistemi sanno fare molto bene e gli errori che continuano a commettere proprio nei compiti più vicini al ragionamento visivo e spaziale necessario nella ricerca reale.
GPT-5 e Gemini hanno vinto realmente una medaglia d’oro?
No. Nessun modello AI ha partecipato ufficialmente alle Olimpiadi al posto di uno studente.
I ricercatori hanno preso gli esami teorici e di analisi dei dati delle IOAA dal 2022 al 2025 e li hanno utilizzati come benchmark.
Hanno poi confrontato i risultati ottenuti dai modelli con i punteggi dei circa 200-300 studenti che avevano affrontato quelle stesse prove.
Il paragone con la medaglia d’oro deriva quindi dalla posizione che il punteggio dell’AI avrebbe ottenuto rispetto alle soglie e alle classifiche umane.
È una distinzione importante perché titoli come “GPT-5 vince le Olimpiadi di astronomia” suggerirebbero una competizione che non è mai avvenuta.
| Modello | Media prove teoriche | Media analisi dati | Risultato principale |
|---|---|---|---|
| Gemini 2.5 Pro | 85,6% | 75,7% | Fascia da medaglia d’oro nella teoria |
| GPT-5 | 84,2% | 88,5% | Fascia oro e prestazioni da Top 10 nell’analisi dati |
| OpenAI o3 | 77,5% | 67,7% | Molto forte nella teoria, più debole sui dati |
| Claude Opus 4.1 | 64,7% | 54,8% | Calo marcato nell’analisi |
| Claude Sonnet 4 | 60,6% | 47,9% | Prestazioni più distanti dai modelli migliori |
I dati provengono dal lavoro pubblicato su Nature Astronomy e dal dataset reso disponibile dagli autori.
Gemini 2.5 Pro è stato il migliore nella teoria
Considerando le quattro prove teoriche dal 2022 al 2025, Gemini 2.5 Pro ha raggiunto una media dell’85,6%, leggermente superiore all’84,2% di GPT-5.
Non si trattava di semplici domande del tipo “quanto dista la Terra dal Sole?”.
Le prove IOAA sono progettate per valutare competenze come:
- astrofisica stellare;
- cosmologia;
- meccanica celeste;
- fotometria;
- trigonometria sferica;
- utilizzo di dati osservativi;
- derivazioni matematiche composte da più passaggi.
L’organizzazione ufficiale delle IOAA descrive infatti una competizione destinata a studenti delle scuole superiori particolarmente preparati in astronomia e astrofisica, con prove teoriche, osservazionali e di analisi dei dati.
Nelle prove considerate dallo studio, GPT-5 e Gemini 2.5 Pro si sarebbero collocati tra i primi due partecipanti umani nella parte teorica nei quattro anni analizzati.
È un risultato molto più significativo di un normale benchmark a risposta multipla.
Nell’analisi dei dati GPT-5 cambia marcia
Quando gli autori sono passati alle prove di analisi dei dati, la situazione è diventata molto più interessante.
GPT-5 ha ottenuto una media dell’88,5%, equivalente a un piazzamento tra i primi dieci concorrenti nelle quattro edizioni considerate.
Gli altri modelli hanno mostrato invece un calo più evidente.
Gemini 2.5 Pro è sceso al 75,7%, OpenAI o3 al 67,7%, Claude Opus 4.1 al 54,8% e Claude Sonnet 4 al 47,9%.
Questo divario suggerisce che essere molto bravi a sviluppare una soluzione teorica non significa automaticamente essere altrettanto efficaci quando bisogna leggere grafici, interpretare figure e mettere in relazione informazioni visive e numeriche.
Ed è proprio qui che emergono alcuni degli errori più interessanti dello studio.
Dove sbagliano ancora GPT-5, Gemini e gli altri modelli
Gli autori hanno analizzato gli errori invece di limitarsi alla classifica finale.
Sono emerse debolezze ricorrenti in tre aree:
ragionamento concettuale, ragionamento geometrico e visualizzazione spaziale.
A seconda della categoria e del modello, l’accuratezza nei problemi maggiormente legati a questi aspetti si colloca approssimativamente tra il 52% e il 79%.
Il problema diventa particolarmente evidente con la geometria astronomica.
Un modello può essere molto efficace nel manipolare un’equazione e contemporaneamente commettere un errore nel capire:
- quale oggetto si trova davanti a un altro;
- come cambia una posizione sulla sfera celeste;
- quale angolo utilizzare;
- come interpretare una figura;
- come orientare mentalmente un sistema tridimensionale.
È un limite interessante perché l’astronomia reale è piena di problemi di questo tipo.
Perché un’AI può risolvere un’equazione difficile e sbagliare una figura?
I grandi modelli linguistici sono estremamente efficaci nell’individuare schemi e concatenare passaggi logici quando il problema può essere rappresentato bene attraverso testo e simboli.
La visualizzazione spaziale richiede però qualcosa di differente.
Immaginiamo un problema nel quale bisogna stabilire la posizione di una stella rispetto all’orizzonte osservandola da una determinata latitudine e in una certa ora.
Non basta conoscere le formule.
Bisogna costruire correttamente una rappresentazione geometrica del problema e mantenere coerenti orientamento, angoli e sistemi di riferimento attraverso diversi passaggi.
Lo studio rileva proprio una differenza tra i problemi maggiormente legati alla fisica e alla matematica e quelli nei quali assumono maggiore importanza geometria e rappresentazione spaziale.
È uno dei motivi per cui ottenere un punteggio elevato in un test non equivale ancora a poter affidare autonomamente una ricerca scientifica a un modello AI.
Un altro problema: leggere male grafici e figure
Le prove di analisi dati hanno fatto emergere anche errori nell’interpretazione visiva.
Gli autori segnalano casi nei quali i modelli leggono in modo errato grafici o figure, anche quando la procedura matematica successiva sarebbe corretta.
È una debolezza particolarmente rilevante nell’astronomia moderna.
Un astronomo lavora continuamente con:
- curve di luce;
- spettri;
- mappe;
- immagini telescopiche;
- diagrammi;
- distribuzioni statistiche;
- dati provenienti da strumenti differenti.
Interpretare male un asse o attribuire una caratteristica alla curva sbagliata può rendere inutile tutto il ragionamento successivo.
L’organizzazione IOAA, commentando lo studio, sottolinea proprio come le prove di analisi dati abbiano evidenziato limiti multimodali e frequenti letture errate di grafici e figure.
Questi test sono più difficili dei normali benchmark AI?
In un certo senso sì, ed è proprio il motivo per cui i ricercatori li hanno scelti.
Molti benchmark astronomici verificano soprattutto se un modello conosca una determinata informazione.
Gli esami IOAA richiedono invece di combinare più capacità contemporaneamente.
Il lavoro ha utilizzato 49 problemi teorici e 8 problemi di analisi dei dati provenienti dalle edizioni dal 2022 al 2025.
Ai modelli sono stati forniti problemi, figure e materiali di riferimento in condizioni standardizzate, cercando di riprodurre il tipo di informazione a disposizione degli studenti.
Sono state escluse le prove osservazionali che richiedono interazione fisica con strumenti o con il cielo reale.
Quindi anche questo benchmark ha un limite: misura una parte importante delle capacità necessarie a un astronomo, ma non misura tutto ciò che fa un astronomo.
Significa che GPT-5 è già bravo quanto un astronomo?
No. Risolvere problemi olimpici e svolgere ricerca scientifica sono due attività molto diverse.
Un problema di una competizione, per quanto complesso, ha una struttura definita:
esiste una domanda, sono disponibili determinati dati e normalmente esiste una soluzione valutabile.
La ricerca reale richiede anche di capire:
- quale domanda vale la pena porre;
- quali dati raccogliere;
- quali strumenti utilizzare;
- se un risultato anomalo deriva da una scoperta o da un errore;
- quale ipotesi alternativa verificare;
- quando un modello teorico non descrive correttamente la realtà.
Gli stessi autori sono prudenti nella conclusione: le prestazioni raggiungono livelli vicini ai migliori esseri umani nelle prove teoriche, ma rimangono lacune importanti prima che questi sistemi possano diventare agenti autonomi per la ricerca astronomica.
E i modelli AI più nuovi?
Qui bisogna considerare un dettaglio temporale importante.
Lo studio è stato pubblicato su Nature Astronomy il 19 agosto 2026, ma la ricerca era già disponibile come preprint dall’ottobre 2025.
I modelli analizzati sono quindi quelli scelti in quella fase:
- GPT-5;
- OpenAI o3;
- Gemini 2.5 Pro;
- Claude Opus 4.1;
- Claude Sonnet 4.
Non è quindi una classifica dei migliori modelli disponibili nell’agosto 2026.
Nel frattempo sono arrivati sistemi più recenti.
Questo non rende inutile il risultato, perché lo scopo dello studio non è stabilire quale chatbot sia “il migliore oggi”, ma capire quali capacità emergono e quali errori persistono quando un LLM affronta problemi scientifici complessi.
È una distinzione particolarmente utile anche per evitare di trasformare il lavoro in un semplice confronto commerciale GPT contro Gemini.
Un punteggio da olimpionico non significa essere pronti per la ricerca
Un confronto interessante arriva da benchmark progettati specificamente per avvicinarsi maggiormente al lavoro scientifico reale.
OpenAI, per esempio, ha successivamente presentato FrontierScience, separando problemi di tipo olimpico da compiti di ricerca aperta.
Nei risultati pubblicati dall’azienda, GPT-5.2 ottiene 77% nella componente Olympiad ma soltanto 25% nella componente Research.
I due benchmark non sono direttamente confrontabili con quello delle IOAA, ma la differenza illustra bene il problema: essere eccellenti nel risolvere esercizi scientifici non equivale a saper condurre autonomamente una ricerca.
È probabilmente la parte più importante da ricordare quando leggiamo risultati in cui un’intelligenza artificiale raggiunge o supera prestazioni umane in un esame.
L’AI sta comunque diventando uno strumento reale per gli astronomi
Questo non significa che l’intelligenza artificiale sia lontana dall’astronomia reale.
È già utilizzata per analizzare quantità di dati impossibili da esaminare manualmente, classificare oggetti, trovare anomalie e interpretare osservazioni.
Su Tech iCrewPlay abbiamo raccontato, per esempio, come l’intelligenza artificiale sia stata utilizzata per studiare la rotazione del buco nero Sagittarius A* attraverso milioni di simulazioni.
Esistono inoltre modelli specificamente progettati per l’astronomia e metodi che combinano apprendimento automatico, simulazioni fisiche e dati osservativi.
Il nuovo studio affronta però una questione differente: quanto può essere generalista un modello linguistico quando viene messo davanti a un problema scientifico che non consiste semplicemente nel recuperare informazioni?
I risultati mostrano che la distanza si sta riducendo rapidamente.
Ma mostrano anche con sorprendente chiarezza dove quella distanza esiste ancora.
La lezione più interessante non è la medaglia d’oro
Vedere GPT-5 o Gemini ottenere punteggi paragonabili a quelli dei migliori studenti attira inevitabilmente l’attenzione.
Ma il dato più utile dello studio potrebbe essere l’opposto.
Un sistema capace di ottenere oltre l’80% in difficili problemi teorici di astrofisica può ancora interpretare male una figura, confondere una geometria o costruire una rappresentazione spaziale sbagliata.
Questo rende difficile descrivere l’evoluzione dell’AI semplicemente dicendo che “ha raggiunto il livello umano”.
Il livello dipende dal compito.
In alcuni problemi matematici e teorici i modelli studiati raggiungono prestazioni eccezionali. In altre capacità apparentemente più intuitive per un essere umano emergono errori sistematici.
La ricerca pubblicata su Nature Astronomy conclude proprio su questo punto: prima che un LLM possa diventare un ricercatore autonomo in astronomia, ragionamento concettuale, comprensione visiva e rappresentazione spaziale devono ancora migliorare in modo sostanziale.
Ed è forse più interessante di qualsiasi medaglia.
