Evolvere con mondi aperti: verso l’automiglioramento ricorsivo nella previsione del futuro

Abstract degli autori

La maggior parte dei sistemi di intelligenza artificiale (IA) attuali viene rilasciata con parametri fissi e migliora grazie ad aggiornamenti esterni. Un sistema ideale, invece, continuerebbe a migliorare grazie alla propria esperienza: una capacità che chiamiamo automiglioramento ricorsivo (RSI). Studiare l’RSI richiede però un ambiente in continuo cambiamento, oggettivamente verificabile e radicato nel mondo reale, il che pone una sfida fondamentale per l’evoluzione degli agenti. Presentiamo DeepEvolve, un sistema di agenti a evoluzione sostenibile basato sulla previsione di eventi futuri, in cui gli agenti interagiscono continuamente con un ambiente che evolve in modo dinamico e migliorano interiorizzando ed esternalizzando l’esperienza acquisita attraverso queste interazioni. Un ambiente vivo genera compiti verificabili, mentre un motore di evoluzione ricorsiva trasforma il percorso di ragionamento alla base di ogni previsione in capacità: separare la ricerca dalla previsione adatta l’evoluzione a livello dei parametri a un ambiente vivo soggetto a contaminazione, mentre la distillazione di competenze riutilizzabili permette all’agente di evolvere a partire dalle poche traiettorie che un simile ambiente può offrire. Nella classifica esterna FutureX, che valuta le previsioni confrontandole con gli esiti nel mondo reale e viene aggiornata ogni settimana, il nostro sistema di previsione automigliorato si è classificato al primo posto fra tutti i sistemi per tre settimane consecutive, ottenendo un miglioramento del rating fino al 195%. Nella nostra valutazione basata su compiti generati, si è classificato tra i primi tre con quattro LLM di base, superando la migliore baseline di un massimo di 10,7 punti Bradley--Terry. Più in generale, questi risultati suggeriscono che un sistema progettato per automigliorarsi si comprende meglio come un agente che coevolve con un ambiente autenticamente vivo e aperto. Indicano così un cambiamento nell’IA: dall’addestramento di modelli statici su dati fissi alla coltivazione di agenti che diventano più capaci grazie alla propria esperienza, con un mondo aperto come base indispensabile di questa crescita.