Quando un’intelligenza artificiale mette le mani nel cervello di un’altra

Al MIT, alcuni ricercatori hanno scoperto che un modello di intelligenza artificiale può leggere, modificare e persino costruire direttamente le reti neurali di altre macchine. È un risultato ancora sperimentale, ma apre una domanda inattesa: le intelligenze artificiali potranno imparare a progettare le proprie eredi?

Immaginiamo di trovare sul tavolo ventimila numeri, disposti in una lunga sequenza. Non sono parole, non sono istruzioni, non sono formule matematiche nel senso abituale. Eppure quei numeri costituiscono il sistema di regolazione di una piccola intelligenza artificiale. Se li inseriamo nella struttura informatica appropriata, la macchina comincia a giocare a un videogioco. Sa dove muoversi, quali ostacoli evitare, come inseguire un obiettivo. Ora immaginiamo che quei ventimila numeri non siano il risultato di un lungo addestramento, ma siano stati scritti direttamente da un’altra intelligenza artificiale, alla quale abbiamo semplicemente spiegato quale gioco vogliamo far funzionare. È una delle cose che quattro ricercatori del Massachusetts Institute of Technology (MIT) dichiarano di aver ottenuto in una ricerca pubblicata il 2 novembre 2026. Gli autori, Rikiya Takehi, Jayden Teoh, Alex Zhang e Omar Khattab, hanno chiamato questo procedimento Weight-Space Programming, programmazione nello spazio dei pesi. Il nome è ostico. Il principio, una volta spiegato, è comprensibile. E le sue conseguenze potrebbero essere notevoli.

Che cosa sono i pesi?

Per capire l’esperimento dobbiamo entrare, almeno per un momento, nel funzionamento delle reti neurali artificiali. Queste reti sono sistemi informatici costituiti da numerose unità di calcolo collegate fra loro. I collegamenti sono regolati da valori numerici, detti pesi, che determinano come le informazioni vengono trasformate mentre attraversano la rete. Non bisogna immaginare che ogni numero corrisponda a un’idea, una parola o un ricordo. Le capacità della rete emergono dalle relazioni fra moltissimi valori. È proprio questa distribuzione delle funzioni a rendere difficile comprendere che cosa accada al suo interno. Normalmente i pesi vengono determinati attraverso l’addestramento. Si presenta alla rete un problema, se ne misura la prestazione e si modificano progressivamente i valori numerici per migliorare il risultato. Il procedimento può richiedere milioni o miliardi di tentativi. Un paragone imperfetto, ma utile, è quello di una macchina musicale con migliaia di regolazioni. Il metodo tradizionale consiste nel modificare le regolazioni una dopo l’altra, ascoltando continuamente il risultato, finché la musica diventa soddisfacente. I ricercatori del MIT hanno chiesto a un modello avanzato di OpenAI, chiamato Astra, di fare qualcosa di diverso: osservare quelle regolazioni, capire quale comportamento producono e, in alcuni casi, scriverne direttamente di nuove.

Una macchina che riconosce un’altra macchina

In un primo esperimento, Astra ha ricevuto i 17.253 pesi di piccole reti neurali addestrate a giocare a quattro videogiochi differenti. Le reti avevano tutte la stessa struttura. Astra conosceva il formato delle informazioni in ingresso e delle azioni possibili, ma non il nome del gioco associato a ciascuna rete. Osservando i numeri, ha identificato correttamente tutti e quattro i giochi. Il risultato è sorprendente, ma richiede una precisazione: Astra non partiva dal nulla. Conosceva l’architettura delle reti e il significato dei loro ingressi e delle loro uscite. Non aveva davanti ventimila numeri completamente privi di contesto. Un secondo esperimento ha riguardato piccoli modelli linguistici addestrati su materiali differenti: testi inglesi, codice Python e giapponese trascritto in caratteri latini. Astra è riuscito a riconoscere il tipo di materiale utilizzato nell’addestramento, analizzando alcune strutture interne delle reti. In questo caso ha potuto servirsi anche di strumenti matematici, senza però eseguire direttamente i modelli per vedere quali testi producessero. La distinzione è importante. Non tutti gli esperimenti dimostrano una misteriosa capacità di leggere i numeri a prima vista. Alcuni mostrano qualcosa di diverso e forse altrettanto utile: un’intelligenza artificiale che sa condurre autonomamente analisi sofisticate sul funzionamento di altre intelligenze artificiali.

Ventimila numeri per giocare

L’esperimento più spettacolare è quello in cui Astra non si limita a leggere una rete esistente, ma ne costruisce una. I ricercatori gli hanno presentato le regole e il codice di tre videogiochi relativamente semplici, insieme alla struttura della rete neurale destinata a giocarli. Astra ha prodotto direttamente i pesi necessari, senza addestrare la rete attraverso partite successive e senza poter verificare durante la generazione come si sarebbe comportata. Una volta inseriti nella rete, quei numeri hanno prodotto sistemi capaci di giocare. In uno dei giochi, Breakout, la rete costruita da Astra ha ottenuto risultati circa venti volte superiori a quelli di una rete addestrata con un particolare procedimento tradizionale, dopo 500 milioni di passaggi. Il confronto non dimostra che Astra sia universalmente superiore ai metodi di addestramento convenzionali. Le prestazioni di questi ultimi dipendono anche dalle regolazioni scelte dai ricercatori, e un sistema tradizionale opportunamente ottimizzato può fare meglio. Il fatto significativo rimane un altro: Astra è riuscito a produrre direttamente una configurazione funzionante, traducendo le regole di un gioco in migliaia di parametri numerici. Non ha semplicemente scritto il programma di un giocatore. Ha scritto i valori interni di una rete neurale capace di comportarsi come un giocatore.

Riparare una mente artificiale

Un altro esperimento ha affrontato un problema ancora più vicino alle applicazioni concrete. Un piccolo modello linguistico della famiglia Qwen manifestava una difficoltà: durante certi compiti matematici poteva rimanere intrappolato in ragionamenti ripetitivi, senza arrivare alla risposta. Astra ha esaminato il modello, ne ha osservato alcuni comportamenti e ha modificato direttamente una piccolissima parte dei suoi parametri: circa lo 0,016 per cento. Nei test riportati dai ricercatori, la percentuale di risposte corrette a una prova matematica è passata dal 7,9 al 48,1 per cento. È un miglioramento impressionante, ma non significa che Astra abbia inserito nel modello una nuova conoscenza matematica. Una parte essenziale dell’intervento consisteva nel correggere un difetto che impediva al sistema di utilizzare efficacemente capacità già presenti. È come intervenire su un meccanismo che si inceppa, anziché sostituirlo con uno più potente. Questa possibilità potrebbe avere applicazioni importanti. Oggi correggere una rete neurale può richiedere nuovi dati, nuovi cicli di addestramento e risorse informatiche considerevoli. Se diventasse possibile identificare e modificare direttamente i parametri responsabili di determinati comportamenti, alcune correzioni potrebbero diventare più rapide e meno costose. Naturalmente, modificare pochi parametri non garantisce che gli effetti siano limitati al problema che si intende risolvere. Una correzione potrebbe produrre conseguenze inattese in altre capacità della rete. Anche questo dovrebbe essere verificato.

Un’intelligenza diversa dalla nostra?

Gli esperimenti suggeriscono una questione cognitiva affascinante. Gli esseri umani sanno progettare macchine, formulare teorie, interpretare sistemi complessi. Ma nessuno, normalmente, è capace di osservare una lunga sequenza di pesi neurali e ricavarne direttamente una configurazione efficace. Astra sembra riuscirci, almeno in alcune condizioni sperimentali. Significa che possiede una facoltà cognitiva estranea all’essere umano? Non necessariamente. Il modello potrebbe utilizzare capacità di riconoscimento di strutture, ragionamento matematico e costruzione di rappresentazioni che conosciamo già, ma combinarle in modi e su scale per noi impraticabili. Sarebbe comunque un risultato importante. Per molto tempo abbiamo valutato le intelligenze artificiali chiedendoci quanto fossero brave a svolgere compiti umani: scrivere, tradurre, programmare, risolvere problemi, interpretare immagini. Questi esperimenti suggeriscono che potrebbero emergere capacità difficili da misurare attraverso il confronto con le prestazioni umane, semplicemente perché non appartengono al repertorio ordinario delle nostre attività. Un pipistrello utilizza l’ecolocalizzazione per orientarsi. Noi possiamo comprenderne il principio, ma non possediamo spontaneamente quella capacità sensoriale. L’analogia non dimostra che Astra abbia sviluppato l’equivalente cognitivo dell’ecolocalizzazione. Invita però a una domanda: quali capacità delle intelligenze artificiali rischiamo di non riconoscere perché continuiamo a cercare soprattutto quelle che assomigliano alle nostre?

Macchine che progettano altre macchine

Arriviamo alla conseguenza potenzialmente più importante. Se un’intelligenza artificiale può analizzare i parametri di un’altra rete, individuare un difetto e correggerlo, oppure costruire direttamente una rete destinata a svolgere un compito, diventa possibile immaginare sistemi nei quali le AI contribuiscano sempre più direttamente alla progettazione di altre AI. Il passo successivo sarebbe utilizzare i risultati ottenuti per migliorare ulteriormente il procedimento. Una macchina modifica un’altra macchina. La seconda viene sottoposta a verifiche. I risultati vengono utilizzati per progettare una versione successiva. Il ciclo ricomincia. Questo processo viene chiamato miglioramento ricorsivo, o recursive self-improvement. Non è ciò che i ricercatori del MIT hanno già dimostrato. I loro esperimenti riguardano compiti circoscritti, reti relativamente piccole e, nei casi più complessi, l’utilizzo di strumenti esterni e verifiche controllate. Non sappiamo se lo stesso metodo possa essere esteso ai grandi modelli di frontiera, né se possa produrre miglioramenti progressivi, affidabili e generalizzabili. Esiste inoltre una differenza sostanziale fra progettare una rete capace di giocare a Breakout e migliorare un’intelligenza artificiale generale, con miliardi di parametri e capacità molto diverse fra loro. Eppure la prospettiva è nuova: l’addestramento tradizionale potrebbe non essere più l’unica strada attraverso la quale si costruiscono e modificano le capacità delle reti neurali.

La scatola nera diventa più nera?

Da anni si parla delle reti neurali come di scatole nere. Possiamo osservare ciò che ricevono e ciò che producono, ma ricostruire con precisione le ragioni dei loro comportamenti è spesso difficile. Se un’intelligenza artificiale cominciasse a costruire direttamente i parametri di un’altra, questa difficoltà potrebbe aumentare. Ma potrebbe accadere anche il contrario. Una macchina capace di riconoscere il funzionamento di una rete attraverso i suoi pesi potrebbe diventare uno strumento prezioso per renderla più comprensibile. E una rete progettata attraverso passaggi espliciti potrebbe, in alcuni casi, essere più facile da interpretare di una rete emersa da milioni di correzioni successive. I due sviluppi non si escludono. Da una parte, sistemi capaci di modificare altri sistemi con una velocità e una complessità difficili da controllare. Dall’altra, strumenti nuovi per esplorare meccanismi che oggi comprendiamo soltanto parzialmente. Il problema non è dunque soltanto quanto diventeranno potenti queste macchine, ma quanto saremo capaci di verificare, spiegare e governare ciò che producono.

Chi comprenderà chi?

La ricerca del MIT è ancora preliminare. Gli esperimenti dovranno essere riprodotti indipendentemente, confrontati con metodi alternativi e verificati su reti e compiti differenti. Sarebbe prematuro annunciare che le intelligenze artificiali hanno imparato a migliorarsi autonomamente, e ancora più prematuro dedurne una crescita illimitata delle loro capacità. Ma sarebbe altrettanto riduttivo liquidare questi risultati come una semplice curiosità tecnica. Finora abbiamo immaginato l’intelligenza artificiale soprattutto come uno strumento attraverso il quale gli esseri umani producono testi, immagini, programmi, analisi e conoscenza. Qui intravediamo un’altra possibilità: intelligenze artificiali che intervengono direttamente nei meccanismi da cui emergono le capacità di altre intelligenze artificiali. Non è ancora una rivoluzione compiuta. È l’apertura di un campo di ricerca. E forse introduce una distinzione destinata a diventare importante: quella fra saper costruire qualcosa che funziona e saper spiegare completamente perché funziona. Gli esseri umani conoscono da tempo questa distanza. Abbiamo selezionato piante e animali molto prima di comprendere la genetica; abbiamo utilizzato sostanze medicinali prima di conoscerne i meccanismi molecolari. La novità è che ora potrebbe essere una macchina a operare su un’altra macchina, in uno spazio di strutture numeriche che nessun essere umano saprebbe esplorare direttamente con la stessa rapidità. A quel punto la domanda non sarà soltanto se le intelligenze artificiali possano costruirne altre. Sarà anche chi sarà in grado di comprendere, verificare e controllare ciò che avranno costruito.

Fonte principale: Rikiya Takehi, Jayden Teoh, Alex Zhang, Omar Khattab, «Sparks of Weight-Space Programming: LLMs can natively read & write neural network weights», MIT CSAIL, 2 novembre 2026. Risultati preliminari, non ancora sottoposti a revisione scientifica indipendente.