Il settore dell’intelligenza artificiale sta compiendo un passo avanti significativo nel risolvere uno dei compiti più complessi per i modelli di visione artificiale: identificare con precisione millimetrica il luogo esatto in cui è stata scattata una fotografia. Recentemente, Alibaba ha presentato un framework innovativo denominato “Thinking with Map”, che rivoluziona l’approccio alla geolocalizzazione delle immagini. Invece di affidarsi esclusivamente alla memoria visiva del modello o a una ricerca istantanea di schemi globali, questo nuovo sistema insegna all’intelligenza artificiale a utilizzare le mappe digitali proprio come farebbe un essere umano, integrandole attivamente nel proprio processo di deduzione logica.
Fino ad oggi, anche i modelli più avanzati, come Gemini 3 Pro, hanno mostrato limiti evidenti in questo campo, raggiungendo una precisione molto bassa quando si trattava di individuare una posizione entro un raggio di cinquecento metri in contesti reali. Il problema, secondo i ricercatori di Alibaba, non risiede in una mancanza di dati o di conoscenze enciclopediche del modello, quanto piuttosto nella metodologia di risoluzione del problema. La geolocalizzazione tradizionale tentava di indovinare la posizione in un unico passaggio, mentre l’essere umano procede per gradi: formula un’ipotesi basata sul paesaggio, consulta una mappa per verificare la presenza di punti di riferimento o la conformazione del terreno e restringe progressivamente il campo d’indagine.
Il cuore di questa nuova tecnologia è il ciclo definito “agente-nella-mappa”. Il processo inizia con una prima analisi dell’immagine che genera un’ipotesi geografica preliminare. A questo punto, il modello richiama delle interfacce di programmazione delle mappe per esaminare dettagli specifici dell’area ipotizzata, come la distanza tra edifici, la presenza di parchi o la forma delle strade. Questo feedback costante permette al modello di correggere la propria rotta in modo iterativo, eliminando le zone che non corrispondono agli indizi visivi e avvicinandosi sempre di più al punto esatto dello scatto.
Per ottimizzare questo comportamento, Alibaba ha implementato una strategia di apprendimento per rinforzo che premia il modello quando le sue ipotesi si avvicinano alla risposta corretta. A questo si aggiunge un sistema di esplorazione parallela che consente all’intelligenza artificiale di analizzare contemporaneamente diverse posizioni candidate, evitando di rimanere bloccata su un’unica intuizione iniziale potenzialmente errata. Infine, un modulo “verificatore” confronta tutti i risultati ottenuti e seleziona quello che presenta la maggiore coerenza logica con le prove visive raccolte durante la ricerca.
I risultati di questo approccio sono stati testati su un nuovo benchmark chiamato MAPBench, che si distingue dai test precedenti perché non include solo monumenti famosi, ma immagini quotidiane di strade e paesaggi comuni. In questo scenario estremamente sfidante, il framework Thinking with Map ha dimostrato una precisione superiore di quasi tre volte rispetto ai sistemi concorrenti più blasonati nella fascia dei cinquecento metri. Questo successo suggerisce che il futuro dell’intelligenza artificiale non risieda necessariamente nel creare modelli sempre più grandi, ma nel progettare strutture di ragionamento che sappiano utilizzare gli strumenti umani, come le mappe, per dare un senso concreto alle informazioni visive.