L’AI che insegna a se stessa non è più fantascienza

Le nuove piattaforme di intelligenza artificiale stanno facendo un passo radicale verso la self-improvement: macchine che si migliorano da sole, senza l’intervento umano.

Per anni, anche i modelli di intelligenza artificiale più avanzati sono rimasti motori passivi, prevedendo risposte in base ai dati di addestramento che non potevano modificare. Ma oggi non è più la dimensione del modello a definire il prossimo capitolo dell’intelligenza artificiale; è se il modello può evolversi da solo.

Recentemente, i ricercatori del MIT hanno presentato una nuova piattaforma di intelligenza artificiale chiamata Self-Adapting LLMs (SEAL). Questo approccio consente ai grandi modelli linguistici (LLM) di migliorarsi autonomamente, abilitando l’intelligenza artificiale a diagnosticare le proprie limitazioni e aggiornare i propri pesi neurali attraverso un ciclo di feedback interno alimentato dall’apprendimento per rinforzo. Invece di richiedere ai ricercatori di individuare errori, scrivere nuovi prompt o fornire esempi aggiuntivi, il modello assume la piena responsabilità della propria evoluzione.

“I grandi modelli linguistici (LLM) sono potenti ma statici; mancano di meccanismi per adattare i propri pesi in risposta a nuovi compiti, conoscenze o esempi”, hanno scritto i ricercatori del MIT in un post del blog. “Gli esperimenti sull’incorporazione della conoscenza e la generalizzazione a pochi esempi mostrano che SEAL è un passo promettente verso modelli linguistici in grado di adattarsi autonomamente in risposta a nuovi dati”.

Nei primi test, questo ciclo di auto-edizione ha consentito ai modelli di passare da un completo fallimento a un successo in puzzle di ragionamento astratto complesso, superando anche modelli più grandi come GPT-4.1 con un tasso di successo del 72,5%, dove i metodi tradizionali hanno fallito. Inoltre, SEAL riduce la supervisione umana dell’85% mentre aumenta l’accuratezza e l’adattabilità.

La nascita delle piattaforme di intelligenza artificiale auto-apprese

SEAL fa parte di una tendenza più ampia verso l’intelligenza artificiale autonoma. I ricercatori di Sakana AI, ad esempio, hanno introdotto la Darwin-Gödel Machine—un agente di intelligenza artificiale che riscrive il proprio codice utilizzando strategie evolutive aperte.

“Crea vari miglioramenti, come un passaggio di convalida del patch, una visualizzazione dei file migliorata, strumenti di editing avanzati, generazione e classificazione di più soluzioni per scegliere la migliore e aggiungere una storia di ciò che è stato provato in precedenza (e perché è fallito) quando si effettuano nuove modifiche”, hanno scritto i ricercatori di Sakana AI in un post del blog.

Allo stesso modo, gli agenti di intelligenza artificiale di Anthropic, alimentati da Claude 4, possono ora orchestrare autonomamente i flussi di lavoro attraverso codebase e strumenti aziendali.

“Un sistema che si riconfigura in base al tipo di asset, al suo ambiente e alla sua storia consente di passare da una risposta reattiva a una strategia di prevenzione continua”, ha detto Christian Struve, CEO e co-fondatore di Fracttal. “Non si tratta di più livelli o più parametri, ma di sistemi più autonomi e più utili”.

Ciò che unisce questi sforzi è una convinzione di base: l’intelligenza artificiale non deve diventare più grande per diventare più intelligente. Deve diventare più adattiva.

“La scalabilità ha portato grandi vantaggi, ma stiamo raggiungendo i limiti di ciò che la dimensione può ottenere da sola. I modelli di apprendimento auto-adattivi come SEAL offrono un passo convincente successivo, consentendo ai sistemi di crescere e migliorare nel tempo”, ha detto Jorge Riera, fondatore e CEO della piattaforma di consulenza dati full-stack Dataco. “I modelli auto-evolutivi spostano anche le metriche di progresso da benchmark statici a misure di adattabilità, efficienza di apprendimento e miglioramento a lungo termine sicuro. Invece di testare solo ciò che un modello sa al momento del deploy, possiamo valutare come impara, mantiene e si evolve nel tempo”.

Impatto sull’ecosistema dell’intelligenza artificiale e la corsa globale all’autonomia

Questo livello di autonomia riscrive anche l’economia del dispiegamento dell’intelligenza artificiale. Immaginate sistemi di rilevamento delle frodi che si aggiornano da soli per contrastare nuove minacce, o tutor di intelligenza artificiale che cambiano il proprio stile di insegnamento in base al comportamento di uno studente. Nella robotica, le piattaforme auto-adattive potrebbero portare a macchine autonome che imparano nuovi modelli di movimento senza essere riprogrammate.

In tutto il Medio Oriente, paesi come gli Emirati Arabi Uniti e l’Arabia Saudita stanno costruendo rapidamente modelli fondamentali progettati per l’adattamento. Il Falcon degli Emirati Arabi Uniti e il Jais di G42 sono modelli linguistici open-source costruiti con rilevanza regionale in mente, mentre l’ALLaM e il Metabrain di Aramco Digital stanno spingendo nel regno degli agenti di intelligenza artificiale autonomi per città intelligenti, sanità e logistica.

Questi sforzi non sono ancora equivalenti a SEAL in termini di capacità di auto-edizione, ma riflettono una traiettoria condivisa: da sistemi di intelligenza artificiale passivi a agenti attivi ed evoluti che possono navigare la complessità con una limitata guida umana. E proprio come SEAL, queste iniziative sono supportate da robusti framework di governance, evidenziando la crescente consapevolezza che l’autonomia dell’intelligenza artificiale deve essere affiancata dalla responsabilità.

“Questo è un primo passo verso sistemi auto-gestiti che modificano la propria logica senza intervento costante”, dice Struve. “Credo che l’intelligenza artificiale non ridefinisca cosa sia l’intelligenza, ma ci costringa a rivedere la nostra relazione con essa. La cosa importante non è che un modello evolva, ma che lo faccia allineandosi con gli obiettivi che definiamo come esseri umani”.

Jeff Townes, CTO di Gorilla Logic, sottolinea anche l’importanza della governance che tiene il passo con l’evoluzione dell’intelligenza artificiale: “La domanda non è se l’intelligenza artificiale possa evolversi, ma se l’impresa possa evolversi con essa. La governance deve ancorare ogni adattamento dell’intelligenza artificiale a risultati e KPI chiari che i leader possano misurare e fidarsi, in modo che l’innovazione si espanda con fiducia invece di rischio”.

Siamo pronti per un’intelligenza artificiale che si riscrive da sola?

La domanda più provocatoria che SEAL solleva non è tecnica, ma se i modelli possono decidere come insegnare a se stessi, quale ruolo giochiamo noi nel plasmare i loro valori, priorità e direzione?

Gli esperti avvertono che mentre i sistemi di intelligenza artificiale auto-adattivi guadagnano autonomia, la corsa verso il miglioramento di se stessi non deve superare l’istituzione di salvaguardie etiche. “Credo che tutti i sistemi di intelligenza artificiale debbano incorporare almeno tre principi etici di base”, dice Jacob Evans, CTO di Kryterion.

“In primo luogo, e questo potrebbe sembrare ovvio, ma gli sistemi di intelligenza artificiale devono identificarsi come tali. In secondo luogo, gli sistemi di intelligenza artificiale devono essere centrati sull’essere umano, potenziando e non sostituendo il giudizio umano. E infine, devono riconoscere i propri limiti e incertezze, rifiutando di fornire informazioni che potrebbero facilitare gravi danni. Senza queste salvaguardie, l’intelligenza artificiale può diventare uno strumento di manipolazione invece di un supporto affidabile”.

“Per consentire ai modelli di auto-migliorarsi in produzione, hanno bisogno di un ciclo di feedback dinamico, non solo di un addestramento statico. Un metodo potente è utilizzare un ‘doppio digitale’ o un ambiente di sandbox sofisticato in cui l’intelligenza artificiale possa testare e convalidare in sicurezza i propri miglioramenti auto-generati prima che vengano distribuiti agli utenti”, ha condiviso Ganesh Vanama, ingegnere di visione computerizzata di Automotus.

Per quanto riguarda la governance, Vanama ha aggiunto, “il controllo non negoziabile è la supervisione ‘umano-nel-ciclo'”. Ha detto che mentre vogliamo che i modelli si adattino, “devi avere un monitoraggio continuo per rilevare ‘deriva di allineamento’ dove il modello si discosta dai propri obiettivi o vincoli di sicurezza. Questo sistema deve dare a un revisore umano il potere di annullare o ritirare immediatamente qualsiasi aggiornamento autonomo che fallisca una revisione di sicurezza o prestazioni”.

Ma altri esperti ritengono che ci sia ancora tempo per sviluppare queste salvaguardie, sostenendo che costruire un’intelligenza artificiale auto-migliorante robusta, generale e a scopo generico rimane una sfida monumentale.

“Tali modelli mancano ancora della capacità di riscrivere se stessi in modo affidabile in tempo reale. Le sfide chiave rimangono, tra cui prevenire il rinforzo degli errori, evitare la dimenticanza catastrofica, garantire la stabilità durante gli aggiornamenti e mantenere la trasparenza intorno ai cambiamenti interni”, dice Riera. “Fino a quando queste sfide non saranno affrontate, l’adattamento auto-diretto rimane una frontiera piuttosto che una realtà”.

I ricercatori del MIT vedono SEAL come un’evoluzione necessaria. Come ha detto uno dei principali scienziati del MIT, questa piattaforma attualmente riflette l’apprendimento umano più da vicino di quanto non abbia fatto qualsiasi altra cosa in precedenza.

“Questi sistemi suggeriscono un passaggio da modelli statici, one-shot a architetture adattive che possono imparare dall’esperienza, gestire la memoria e perseguire obiettivi nel tempo. La direzione è chiara: verso un’intelligenza modulare, consapevole del contesto, in grado di adattarsi continuamente”, ha detto Riera. “Sebbene sia ancora nella fase sperimentale, questo approccio segna un passo significativo verso sistemi di intelligenza artificiale più autonomi e resilienti”.

Se questo porterà a sistemi più personalizzati o a nuove forme di agenzia delle macchine, rimane da vedere. L’era dell’intelligenza artificiale auto-appresa è arrivata – e sta riscrivendo non solo il proprio codice, ma anche le regole di ciò che le macchine possono diventare.