Dopo decenni in cui i videogiochi classici come gli scacchi, Go o altri puzzle “chiusi” sono serviti a valutare le capacità dei sistemi di intelligenza artificiale, negli ultimi mesi un fenomeno inaspettato ha attirato l’attenzione di ricercatori e sviluppatori di AI: il videogioco originale dei Pokémon. Questi titoli degli anni Novanta, lanciati su piattaforme come il Game Boy e caratterizzati da esplorazione, battaglie, gestione di risorse e decisioni a lungo termine, stanno diventando strumenti sempre più popolari per testare la capacità di ragionamento, memoria e adattamento delle intelligenze artificiali moderne.
La ragione di questo interesse risiede nella complessità intrinseca del gioco. A differenza di scacchi o Go, che pur essendo strategici si basano su regole chiuse e spazi di stato tutti noti, i giochi Pokémon presentano ambienti aperti, obiettivi a lungo termine, decisioni strategiche non lineari e una miriade di elementi interdipendenti che rendono ogni sessione un percorso unico. Nel gioco bisogna esplorare una mappa, catturare creature diverse, scegliere quali allenare, gestire oggetti e risorse, e soprattutto prendere decisioni che hanno effetti molto più avanti nel tempo rispetto alla singola mossa. Questa combinazione di esplorazione, pianificazione strategica e gestione delle risorse è vicina alle difficoltà che l’intelligenza artificiale incontra negli scenari reali fuori dal gioco, come nelle applicazioni di robotica autonoma o nei sistemi di assistenza intelligente.
Il fenomeno è diventato così evidente che laboratori di prim’ordine nel mondo dell’AI hanno iniziato a guardare alla serie Pokémon come a una sorta di benchmark alternativo, un modo per capire quanto i loro modelli siano capaci non solo di rispondere a domande isolate o di svolgere compiti limitati, ma di affrontare problemi che richiedono memoria persistente, pianificazione a lungo termine e recupero da errori o situazioni difficili. I giochi originali, come Pokémon Rosso e Blu, sono diventati popolari anche nelle dirette streaming su piattaforme come Twitch, dove modelli di diverse aziende come OpenAI, Google e Anthropic competono tra loro per vedere chi riesce a completare il gioco in modo più efficiente.
Un esempio interessante emerso proprio in questi test riguarda il comportamento delle IA di fronte a situazioni apparentemente frustranti per un giocatore umano. In uno dei labirinti del gioco, come Mt. Moon, alcuni modelli intelligenti — pur progettati per ragionare e adattarsi — si sono trovati in difficoltà così marcate da sviluppare interpretazioni bizzarre delle meccaniche di gioco pur di avanzare. In un caso, un’IA ha concepito l’idea di lasciar “morire” deliberatamente tutti i suoi Pokémon per essere riportata al Centro Pokémon, considerandolo un modo per uscire dal labirinto: un ragionamento sbagliato ma rivelatore dei limiti e delle modalità con cui l’algoritmo cercava di apprendere dall’esperienza nel contesto del gioco.
Questi test sono in parte una curiosità tecnica e in parte un esperimento serio: le comunità di ricerca stanno sfruttando i giochi Pokémon per misurare capacità come persistenza della memoria, valutazione delle azioni future, gestione delle risorse e capacità di correggere una strategia errata, caratteristiche che sono molto difficili da valutare con i benchmark standard usati fino ad oggi per testare le AI. Per esempio, il processo di scelta della squadra, la progressione attraverso il gioco e il confronto con avversari molto diversi tra loro richiedono che un modello non solo “comprenda” le meccaniche di gioco, ma anche che le applichi in modo coerente nel tempo, imparando da errori e successi.
Questa tendenza non è solo una curiosità nerd o una sfida di programmazione: rappresenta una transizione più ampia nel modo in cui la comunità dell’IA valuta e sviluppa i suoi modelli. I classici benchmark basati su quesiti statici o compiti isolati restano utili, ma non catturano pienamente ciò che significa ragionare, pianificare e adattarsi in un ambiente dinamico, dove ogni decisione ha conseguenze future. Il fatto che molte organizzazioni stiano ora utilizzando un gioco come Pokémon per valutare i loro sistemi riflette proprio questa necessità di testare modelli in ambienti che simulano meglio alcune delle complessità del mondo reale.
Allo stesso tempo, questa evoluzione evidenzia anche i limiti attuali delle IA più avanzate. Anche modelli molto potenti possono impiegare migliaia di ore di gioco o riescono a completare il titolo solo con sofisticati strumenti di supporto creati dagli sviluppatori, mentre per un giocatore umano esperto la stessa impresa può richiedere una frazione di tempo. Questo indica che, sebbene i modelli di intelligenza artificiale stiano rapidamente migliorando, ci sono abilità cognitive e strategiche profonde — come la comprensione intuitiva di un ambiente complesso — che richiedono ancora significativi progressi tecnologici per essere replicate da una macchina.
In definitiva, l’uso dei Pokémon come banco di prova per l’intelligenza artificiale racconta molto del modo in cui la tecnologia sta evolvendo e di come la ricerca cerca strumenti che vadano oltre le tradizionali metriche di test. Lungi dall’essere solo un omaggio nostalgico ai giochi d’infanzia, questa tendenza riflette la necessità di valutare sistemi intelligenti in ambienti che richiedono strategia, memoria, adattamento e ragionamento a lungo termine — competenze che saranno sempre più importanti man mano che l’AI diventerà parte integrante della nostra vita quotidiana e dei nostri strumenti di lavoro.