Una ricerca pubblicata il 2 novembre 2026 da quattro ricercatori del MIT ha dimostrato che un modello linguistico avanzato può generare direttamente i parametri di altre reti neurali, ottenendo sistemi funzionanti senza ricorrere al tradizionale addestramento. La scoperta apre prospettive interessanti nella progettazione, nella manutenzione e nell'ottimizzazione delle AI, ma introduce anche una domanda di grande importanza: quanto siamo lontani da un'intelligenza artificiale capace di riprodurre sé stessa?
Da qualche tempo, navigando su YouTube, Instagram e altre piattaforme, capita sempre più frequentemente di imbattersi in video realizzati da giovani sviluppatori che mostrano piccole intelligenze artificiali impegnate ad imparare a giocare autonomamente a videogiochi, spesso molto semplici, nei quali devono evitare ostacoli, raggiungere obiettivi oppure sopravvivere il più a lungo possibile. Si tratta di esperimenti interessanti, soprattutto quando viene mostrata l'evoluzione del comportamento del sistema attraverso centinaia o migliaia di tentativi, perché permettono di osservare come una rete neurale possa sviluppare progressivamente una strategia efficace senza che il programmatore abbia necessariamente descritto tutte le decisioni da prendere. Queste dimostrazioni, tuttavia, non rappresentano una novità scientifica recente, poiché tecniche come il Reinforcement Learning, l'apprendimento per rinforzo, e la neuroevoluzione vengono utilizzate da molti anni, ed oggi risultano semplicemente più accessibili grazie alla disponibilità di librerie gratuite, computer sufficientemente potenti ed assistenti AI capaci di accelerare considerevolmente lo sviluppo del software.
Il 2 novembre 2026, però, quattro ricercatori del Massachusetts Institute of Technology, Rikiya Takehi, Jayden Teoh, Alex Zhang ed Omar Khattab, hanno pubblicato i risultati preliminari di una serie di esperimenti che introducono una possibilità differente, successivamente ripresa anche dalla rivista scientifica Nature il 13 novembre. La ricerca, intitolata Sparks of Weight-Space Programming: LLMs can natively read & write neural network weights, descrive una capacità osservata nei modelli linguistici più avanzati: leggere, interpretare e modificare direttamente i parametri numerici di altre reti neurali e, in determinate condizioni, generarne di nuove senza utilizzare il tradizionale processo di addestramento. I risultati sono stati accompagnati dalla pubblicazione dei log e dei materiali sperimentali, ma si tratta ancora di una ricerca preliminare, non di una dimostrazione generale che un modello possa comprendere o riprogrammare qualsiasi altra intelligenza artificiale.
Una rete neurale che viene costruita senza dover imparare a giocare
Per comprendere la portata dell'esperimento occorre ricordare come viene normalmente costruita una rete neurale. Il programmatore definisce un'architettura composta da neuroni artificiali organizzati in livelli, stabilisce quali informazioni debbano entrare nel sistema e quali risultati debbano essere prodotti, mentre i collegamenti fra i neuroni sono regolati da valori numerici chiamati pesi, ai quali si aggiungono normalmente altri parametri come i bias. Durante l'addestramento questi valori vengono modificati attraverso algoritmi di ottimizzazione, ad esempio utilizzando la discesa del gradiente, oppure mediante tecniche di apprendimento per rinforzo nelle quali il comportamento della rete viene valutato in funzione dei risultati ottenuti. Nel caso di un videogioco, la rete può essere sottoposta ad un numero elevatissimo di partite e migliorare progressivamente la propria strategia, mentre il computer esegue i calcoli necessari per correggerne i parametri.
Nell'esperimento condotto al MIT il procedimento è stato sostanzialmente differente. I ricercatori hanno utilizzato GPT-6 Astra, un modello linguistico avanzato, chiedendogli di produrre direttamente i pesi di piccole reti neurali destinate a giocare a Breakout, Seaquest ed Asterix, tre videogiochi disponibili nell'ambiente sperimentale MinAtar. Al modello sono state fornite le regole dei giochi, il codice sorgente dell'ambiente, la struttura della rete e le informazioni relative agli input ed agli output, ma non è stato consentito di addestrare la rete, utilizzare un algoritmo di ottimizzazione oppure eseguire partite di prova prima della valutazione. Astra ha quindi determinato direttamente i valori dei parametri, producendo una rete già funzionante al momento della sua prima esecuzione.
Il risultato ottenuto con Breakout è particolarmente interessante. La rete generata dal modello linguistico ha raggiunto un punteggio medio di 517,4, mentre una rete della stessa architettura addestrata con PPO, un algoritmo di apprendimento per rinforzo, per 500 milioni di passaggi nell'ambiente ha ottenuto 25,3 punti nel confronto riportato dai ricercatori. Anche negli altri due giochi le reti generate hanno mostrato prestazioni significative, pur senza superare in ogni caso quelle ottenute con gli addestramenti tradizionali più lunghi. Non bisogna interpretare questi numeri come la dimostrazione che il Weight-Space Programming sia generalmente superiore all'apprendimento per rinforzo, perché il risultato dipende dalla natura del problema, dalle informazioni iniziali disponibili e dalle condizioni sperimentali. Rimane comunque un fatto importante: una rete neurale può essere costruita direttamente da un modello linguistico che ragiona sulla funzione da realizzare e traduce questa funzione in parametri numerici, senza dover necessariamente scoprire quei parametri attraverso una lunga successione di tentativi.
Quando i pesi di una rete neurale diventano qualcosa che si può programmare
La tecnica è stata chiamata Weight-Space Programming, espressione che possiamo tradurre come programmazione nello spazio dei pesi. In termini tecnici, una rete neurale esegue trasformazioni matematiche sui dati ricevuti, attraverso operazioni fra matrici, vettori e funzioni di attivazione. I parametri numerici determinano il comportamento di queste trasformazioni e, normalmente, vengono considerati il risultato di un processo di apprendimento. La ricerca del MIT dimostra invece che, almeno nel caso di reti relativamente piccole e di problemi sufficientemente strutturati, un modello linguistico può ragionare sulle operazioni che devono essere compiute ed assegnare direttamente i valori necessari a realizzarle.
Nel caso di Breakout, ad esempio, la rete generata contiene una strategia che permette di stimare dove arriverà la pallina e di spostare opportunamente la racchetta. Il comportamento non deriva da un processo durante il quale la nuova rete ha giocato migliaia di partite per imparare a muoversi, ma dalla traduzione di una strategia in una particolare configurazione di neuroni e pesi. Questo particolare è fondamentale perché permette anche di comprendere un limite della scoperta: la rete prodotta non deve necessariamente possedere una capacità generale di apprendimento ed il fatto che sia stata generata da una grande AI non significa che abbia ereditato le conoscenze o le capacità cognitive del modello che l'ha costruita.
Gli stessi ricercatori hanno condotto un ulteriore esperimento su un modello linguistico esistente, Qwen3.5-0.8B, composto da circa 800 milioni di parametri, che presentava una tendenza a rimanere bloccato in cicli ripetitivi durante il ragionamento. Astra ha analizzato il problema utilizzando un ambiente Python predisposto per accedere ai pesi e per effettuare un numero limitato di esecuzioni di verifica, senza utilizzare gradienti o procedure di riaddestramento, ed ha modificato soltanto 131.072 parametri, equivalenti a circa lo 0,016% del totale. Nei test riportati dal MIT, il punteggio del modello sul benchmark matematico MATH-500 è passato dal 7,9% al 48,1%, mentre sono migliorate anche altre misure, tra cui la capacità di seguire istruzioni. L'incremento è notevole, ma la spiegazione è altrettanto importante: la modifica ha principalmente ridotto un comportamento patologico che impediva al modello di completare risposte che era già potenzialmente in grado di produrre. In un esperimento successivo, effettuato su un altro modello che non presentava lo stesso problema, Astra non è riuscito ad introdurre capacità matematiche sostanzialmente nuove.
A questo punto diventa inevitabile porsi una domanda che considero particolarmente interessante: se un'intelligenza artificiale riesce a costruire un'altra rete neurale, possiamo parlare di una prima dimostrazione della capacità delle AI di riprodursi? La risposta richiede di distinguere almeno due fenomeni, che spesso vengono confusi. Il primo consiste nella generazione di un nuovo sistema neurale, dotato di una propria architettura, di propri parametri e di un comportamento autonomo rispetto al modello che lo ha progettato. Questo è stato effettivamente dimostrato, sebbene entro i limiti degli esperimenti descritti. Il secondo consiste invece nella duplicazione di sé stessi, cioè nella possibilità che un sistema riproduca integralmente la propria struttura, i propri pesi e le proprie capacità, oppure generi un successore capace di svolgere le medesime funzioni, compresa quella di progettare ulteriori intelligenze artificiali. Di questa seconda capacità la ricerca non fornisce alcuna dimostrazione.
Una copia esatta di un modello, del resto, non richiederebbe una particolare scoperta nell'ambito dell'intelligenza artificiale: quando architettura, parametri, codice e risorse necessarie sono disponibili, il modello può essere duplicato attraverso normali operazioni informatiche, esattamente come altri programmi e dati digitali. Molto più complesso sarebbe ottenere un sistema capace di progettare autonomamente una nuova versione di sé stesso, modificarne l'architettura, verificarne il funzionamento ed eventualmente migliorarne le prestazioni, mantenendo inoltre la capacità di ripetere l'intero procedimento. In questo caso parleremmo di recursive self-improvement, ossia miglioramento ricorsivo, un'ipotesi studiata da tempo e che la tecnica sperimentata al MIT potrebbe contribuire ad esplorare attraverso una modalità differente rispetto al semplice utilizzo di un'AI per scrivere codice e lanciare nuovi addestramenti.
Immaginiamo, per esempio, un modello A capace di progettare una rete B, destinata a risolvere una determinata categoria di problemi. Se B fosse a sua volta capace di analizzare, progettare e generare reti neurali, potrebbe produrre un modello C e successivamente altri modelli ancora. Se poi ciascuna generazione riuscisse a migliorare effettivamente le capacità progettuali della precedente, ci troveremmo davanti ad un processo di sviluppo ricorsivo potenzialmente molto importante. Tuttavia, per arrivare a questo risultato non sarebbe sufficiente dimostrare che A può produrre i pesi di B: bisognerebbe dimostrare che B possiede davvero la capacità di generare altre reti, che tale capacità sopravvive alle successive generazioni e che i miglioramenti sono misurabili, riproducibili e non semplicemente ottenuti trasferendo lavoro verso strumenti esterni o risorse computazionali sempre maggiori. Nessuno di questi passaggi è stato dimostrato dagli esperimenti del MIT.
Gli esperimenti indipendenti mostrano possibilità interessanti, ma anche limiti precisi
La ricerca ha attirato rapidamente l'attenzione di altri gruppi scientifici. L'Alan Turing Institute ha pubblicato una propria analisi di replicazione, confermando che GPT-6 Astra riesce effettivamente a generare reti neurali funzionanti, anche su varianti di Breakout create appositamente per gli esperimenti e quindi non presenti nei dati pubblici utilizzabili durante l'addestramento originario del modello linguistico. Questo risultato riduce la possibilità che il comportamento osservato dipenda semplicemente dalla riproduzione di soluzioni già conosciute. Gli stessi ricercatori, tuttavia, hanno rilevato che le reti generate si comportano spesso come programmi tradizionali tradotti in forma neurale, tanto che una delle reti è stata ricondotta a codice Python capace di produrre le stesse decisioni in tutti i 49.189 stati del gioco esaminati. Anche la capacità di interpretare direttamente i pesi di reti sconosciute si è rivelata più limitata di quanto una lettura superficiale della scoperta potrebbe suggerire: riconoscere la disposizione delle informazioni negli strati di ingresso non equivale a comprendere completamente la strategia o il comportamento di una rete.
Un ulteriore studio pubblicato su arXiv il 12 novembre 2026, dedicato alla generazione di agenti neurali per videogiochi inediti, ha verificato la capacità di tradurre regole conosciute in reti compatte, ottenendo però risultati inferiori rispetto ad agenti realizzati direttamente in Python. Nella configurazione ricorrente fissa utilizzata dai ricercatori, il modello migliore ha raggiunto il 56% di successo sui livelli di test con feedback, mentre gli agenti Python sviluppati dai modelli esaminati hanno raggiunto percentuali comprese fra il 97% ed il 100%. Anche questi numeri richiedono di considerare le condizioni specifiche dei test, ma confermano che scrivere direttamente i pesi di una rete non rappresenta ancora necessariamente il metodo più efficiente per realizzare un comportamento intelligente.
Esistono inoltre sperimentazioni in settori differenti dai videogiochi. Uno studio preliminare pubblicato il 9 novembre 2026 ha utilizzato modelli linguistici per generare direttamente i parametri di piccole reti convoluzionali destinate alla classificazione di immagini mediche, senza fornire loro immagini di addestramento. I risultati sono stati superiori al caso in tutte e sei le prove MedMNIST considerate, con AUC media pari a 0,719 per Claude Opus 5.5 e 0,711 per GPT-6 Astra, ma la stessa architettura addestrata tradizionalmente con appena 256 immagini etichettate ha raggiunto un'AUC media superiore, pari a 0,828. Questi esperimenti indicano che la generazione diretta di reti neurali può produrre classificatori funzionanti anche in contesti diversi dai giochi, ma non dimostrano affatto che sia possibile sostituire sistematicamente l'addestramento basato sui dati, soprattutto nelle applicazioni dove un errore può avere conseguenze importanti.
Dalla generazione di piccole AI ai dispositivi che funzionano senza un grande modello linguistico
Uno degli scenari applicativi che considero più interessanti riguarda l'elettronica embedded, la robotica ed i dispositivi IoT. Immaginiamo di dover realizzare un piccolo sistema destinato a controllare alcuni sensori ambientali, interpretare le variazioni di temperatura, umidità e luminosità oppure riconoscere determinate condizioni operative di una macchina. Normalmente sarebbe necessario progettare un algoritmo tradizionale oppure raccogliere dati per addestrare una rete neurale, verificando successivamente le prestazioni ottenute. Il Weight-Space Programming potrebbe offrire un'alternativa per determinati problemi: utilizzare un modello linguistico sufficientemente potente per progettare una rete neurale estremamente compatta, generandone direttamente i parametri e trasferendo poi il risultato su un microcontrollore o su un piccolo computer locale, dove il modello continuerebbe a funzionare senza la presenza dell'AI che lo ha progettato.
Il vantaggio potenziale sarebbe soprattutto nella fase di sviluppo, perché l'esecuzione della rete generata potrebbe richiedere pochissime risorse rispetto al modello linguistico utilizzato per costruirla. Un sistema del genere potrebbe essere interessante, ad esempio, per piccoli agenti che operano in ambienti simulati, per il riconoscimento di condizioni prestabilite o per funzioni di controllo non critiche, purché il comportamento venga verificato attraverso test adeguati. Nel caso della robotica reale, ed ancora di più quando sono coinvolti motori, attuatori o dispositivi potenzialmente pericolosi, la possibilità di generare rapidamente i pesi non eliminerebbe la necessità di analizzare stabilità, condizioni limite, tolleranza agli errori e sicurezza, né sarebbe prudente affidare direttamente ad una rete sperimentale funzioni che richiedono garanzie deterministiche. Per ora si tratta di un'applicazione tecnicamente plausibile della ricerca, non di una tecnologia già validata per questi impieghi.
Esiste poi un altro aspetto, meno evidente ma altrettanto importante, legato alla sicurezza dei modelli. Se diventa possibile individuare e correggere direttamente particolari comportamenti attraverso modifiche dei parametri, in futuro potrebbe diventare più semplice riparare alcune anomalie senza ripetere l'intero addestramento. La stessa capacità, però, potrebbe essere utilizzata per introdurre alterazioni indesiderate o comportamenti nascosti nelle reti neurali distribuite a terzi. Ne deriverebbe una maggiore necessità di controllare la provenienza dei modelli, verificare l'integrità dei pesi e sottoporre ogni modifica a test indipendenti. Non bisogna inoltre dimenticare che gli esperimenti sull'interpretazione dei pesi mostrano ancora notevoli difficoltà nel riconoscere il funzionamento effettivo di reti sconosciute, e quindi non possiamo considerare questa tecnica uno strumento già affidabile per individuare qualsiasi anomalia o compromissione.
La capacità di costruire un'altra AI è stata dimostrata, quella di riprodurre sé stessi rimane da verificare
La ricerca del MIT introduce una prospettiva che merita attenzione proprio perché interviene su un elemento fondamentale dell'intelligenza artificiale contemporanea: i parametri numerici delle reti neurali, che normalmente vengono prodotti attraverso procedure di apprendimento e che ora, almeno in alcuni casi, possono essere determinati direttamente attraverso il ragionamento di un altro modello. Il risultato non dimostra la comparsa di una forma di autoriproduzione artificiale, né autorizza a concludere che le AI siano già in grado di generare autonomamente sistemi più intelligenti di quelli che le hanno create. Dimostra però che il rapporto fra programmazione tradizionale e costruzione delle reti neurali può essere meno rigido di quanto siamo stati abituati a considerare, perché una parte delle conoscenze operative di un grande modello può essere tradotta direttamente nella struttura numerica di un sistema molto più piccolo e specializzato.
A mio parere, l'interrogativo più interessante riguarda proprio ciò che potrebbe accadere se questa capacità venisse progressivamente estesa a reti più complesse, fino a comprendere funzioni di progettazione, analisi e modifica dei modelli stessi. Per arrivare a parlare seriamente di autoriproduzione occorrerebbe verificare sperimentalmente che il sistema generato sia capace, senza dipendere dalle capacità progettuali del modello originario, di produrre a sua volta un'altra intelligenza artificiale dotata delle medesime funzioni. Ed anche in quel caso resterebbe da distinguere la semplice riproduzione di un comportamento dal miglioramento effettivo delle capacità cognitive e progettuali attraverso generazioni successive.
Per il momento abbiamo una dimostrazione più circoscritta, ma sufficientemente importante da meritare attenzione: un'intelligenza artificiale già addestrata può costruire direttamente una nuova rete neurale funzionante, definendone i parametri senza ricorrere all'addestramento tradizionale della rete generata. Se questa capacità diventerà generalizzabile, affidabile e applicabile a modelli sostanzialmente più complessi, il modo in cui progettiamo, correggiamo e distribuiamo le reti neurali potrebbe cambiare considerevolmente. La possibilità che un giorno un modello riesca a progettare anche un proprio successore rimane invece una questione aperta, che richiederà esperimenti molto più impegnativi di quelli condotti fino ad oggi.
Commenti
Nessun commento, per ora.
Per commentare serve un accesso. Qui siamo tutti tecnici e colleghi!
Accedi per commentare