AnswersPublished19 sources
Per rendere l’AI migliore, i laboratori cinesi puntano anche sugli strumenti che la fanno funzionare
Le prove disponibili indicano un interesse crescente per il miglioramento delle infrastrutture, degli strumenti e dei processi intorno ai modelli, ma non dimostrano che le AI sappiano costruire autonomamente i propri... Una ricerca distingue cinque livelli di autonomia: dall’esecuzione di interventi decisi dagli ess...
Pubblicato daModificato con GPT-6 LunaImmagini generate con GPT Image 2
Research answer
Key takeaways
- Le prove disponibili indicano un interesse crescente per il miglioramento delle infrastrutture, degli strumenti e dei processi intorno ai modelli, ma non dimostrano che le AI sappiano costruire autonomamente i propri...
- Una ricerca distingue cinque livelli di autonomia: dall’esecuzione di interventi decisi dagli esseri umani fino al miglioramento del processo stesso che produce nuovi miglioramenti.
- Per parlare di auto miglioramento ricorsivo non basta ripetere esperimenti: una modifica deve essere accettata, durare nel tempo e rendere più efficace il ciclo successivo.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: As of October 31, 2026, how are China’s AI labs pursuing recursive self-improvement by improving the machinery around models rather than rew. Article summary: The direction described in your question is system-level self-improvement: agents improve the software, environments and workflows used to run agents and develop successor models, rather than directly editing their own w. Topic tags: general, documentation, general web, academic, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, w
L’auto-miglioramento ricorsivo non implica necessariamente che un modello riscriva i propri pesi. Un agente può intervenire anche sul software, sugli strumenti, sugli ambienti o sui flussi di lavoro usati per far funzionare e migliorare i sistemi di intelligenza artificiale. Alcuni progetti cinesi riportati dalle fonti si muovono in questa direzione; le prove disponibili, però, sostengono una conclusione più circoscritta rispetto all’idea di un’AI capace di costruire da sola i propri successori.
Quando un miglioramento diventa davvero ricorsivo?
Cambiare un prompt o scrivere del codice non basta, da solo, per parlare di auto-miglioramento ricorsivo. La prova più significativa è che il sistema introduca una modifica persistente e approvata nel processo che produce i miglioramenti successivi: il ciclo seguente deve quindi funzionare con una versione migliorata del processo stesso.
Una ricerca sugli agenti che migliorano il proprio harness — l’insieme di strumenti e procedure che ne guida il funzionamento — descrive un ciclo in tre fasi: individuare punti deboli nelle tracce di esecuzione, proporre modifiche e verificarle con test di regressione. 52 Un altro studio adotta una definizione più rigorosa: ogni modifica accettata al codice dell’agente di ricerca diventa la versione che esegue il ciclo successivo. Nell’abstract, gli autori riportano sette miglioramenti successivi in otto giorni, in uno specifico contesto sperimentale: un risultato di ricerca, non la dimostrazione di un’auto-evoluzione generale e senza limiti.
56
Che cosa mostrano le prove sui progetti cinesi
A settembre, il media cinese 36Kr ha riferito che un agente per le infrastrutture, basato su GLM-5.3, ha ottimizzato il motore di inferenza del modello su un cluster con oltre 100.000 chip prodotti in Cina. Secondo il resoconto, il lavoro è durato meno di due settimane e ha portato la capacità di elaborazione complessiva a tre volte il valore iniziale. 21 È un caso riferito di ottimizzazione delle infrastrutture assistita dall’AI. Da solo, però, non dimostra che l’agente abbia scelto autonomamente l’obiettivo, verificato i risultati o migliorato il processo destinato a eseguire l’ottimizzazione successiva.
I materiali di Moonshot AI su Kimi K3 mostrano un altro livello di questo lavoro: l’azienda ha pubblicato AgentEnv, descritto come un’infrastruttura per ambienti distribuiti di apprendimento per rinforzo, insieme a tecnologie per il sistema di addestramento, tra cui una libreria di comunicazione e un kernel di attenzione ad alte prestazioni. 25 Questi strumenti possono sostenere l’addestramento dei modelli e il lavoro degli agenti; la loro esistenza non prova, di per sé, che un agente abbia progettato autonomamente ambienti di addestramento migliori o un modello successivo.
È inoltre importante distinguere i miglioramenti delle infrastrutture da quelli ottenuti durante l’addestramento del modello. La documentazione di Z.ai afferma che GLM-5.3 usa lo stesso modello di base di GLM-5.2 e che i miglioramenti derivano dal post-addestramento. 2 Si tratta quindi di un percorso documentato di miglioramento del modello tramite post-addestramento, non della prova che i progressi siano dovuti esclusivamente alle modifiche agli strumenti che lo circondano.
Cinque livelli per valutare le affermazioni
L’articolo di settembre The Last AI Built by Humans propone cinque livelli crescenti di autonomia: eseguire miglioramenti prescritti; scegliere le strategie di miglioramento; acquisire esperienze utili all’apprendimento futuro; adattarsi sulla base dei riscontri ottenuti dopo la distribuzione; e, infine, migliorare il processo stesso con cui si migliora. 33 Anche le ricostruzioni giornalistiche descrivono il quadro come un percorso verso sistemi di AI capaci di costruire i propri successori.
35
La distinzione aiuta a separare forme diverse di automazione. Un agente che esegue un esperimento progettato da una persona non è equivalente a uno che decide che cosa migliorare. E nessuno dei due casi coincide con un sistema in grado di riprogettare e convalidare in modo affidabile il proprio ciclo di miglioramento. L’articolo offre una griglia per ragionare su queste differenze; le fonti qui disponibili non dimostrano che la maggior parte dei sistemi più avanzati si trovi ai livelli uno o due.
Che cosa non è verificato, e perché conta
Le fonti fornite non confermano diverse affermazioni dettagliate su DSec e il numero di sandbox generate ogni giorno, sui benchmark di framework e kernel di ModelBest, sul volume di sandbox e i protocolli di recupero di Moonshot o su una presunta sessione di addestramento di Alibaba. Non riportano neppure i risultati della presunta indagine di Leiphone: il contenuto Leiphone presente tra le fonti è un rapporto tecnico su Kimi K3, non un’indagine sull’auto-miglioramento ricorsivo. 24
Anche gli studi indipendenti sugli harness segnalano un vincolo pratico: i guadagni di prestazione possono comportare costi di esecuzione più elevati. La valutazione deve quindi considerare il compromesso tra riuscita del compito e uso di calcolo o strumenti. 54 In generale, per valutare un’affermazione di ricorsività bisogna chiarire chi definisce l’obiettivo, chi stabilisce se una modifica ha funzionato e se quella modifica migliora davvero il ciclo seguente.
La conclusione più prudente è che si vedono progressi promettenti nell’automazione degli strumenti e dei processi di sviluppo dell’AI, ma non una dimostrazione verificata di auto-miglioramento ricorsivo senza limiti. Agenti per le infrastrutture e harness che si aggiornano possono essere passi importanti, se le modifiche persistono e rendono più efficace il lavoro successivo. Ma un aumento di produttività riferito, strumenti riutilizzabili o più cicli di addestramento non bastano a dimostrare che un sistema sappia decidere in modo affidabile che cosa migliorare, valutare i propri risultati e costruire un successore migliore.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Per rendere l’AI migliore, i laboratori cinesi puntano anche sugli strumenti che la fanno funzionare"?
Le prove disponibili indicano un interesse crescente per il miglioramento delle infrastrutture, degli strumenti e dei processi intorno ai modelli, ma non dimostrano che le AI sappiano costruire autonomamente i propri...
What are the key points to validate first?
Le prove disponibili indicano un interesse crescente per il miglioramento delle infrastrutture, degli strumenti e dei processi intorno ai modelli, ma non dimostrano che le AI sappiano costruire autonomamente i propri... Una ricerca distingue cinque livelli di autonomia: dall’esecuzione di interventi decisi dagli esseri umani fino al miglioramento del processo stesso che produce nuovi miglioramenti.
What should I do next in practice?
Per parlare di auto miglioramento ricorsivo non basta ripetere esperimenti: una modifica deve essere accettata, durare nel tempo e rendere più efficace il ciclo successivo.
Sources
ar5iv.labs.arxiv.orgar5iv.labs.arxiv.org · html · 2606[2606.09498] Self-Harness: Harnesses That Improve Themselves
arxiv.orgRecursive self-improvement of AI research agents - arXiv
m.36kr.com做一个能自迭代的后训练平台，Mind Lab要让更多企业拥有 ...
kimi.comKimi K3 开放日：模型权重、技术报告和关键Infra 技术同步开放
docs.z.aiGLM-5.3 - Overview - Z.AI DEVELOPER DOCUMENT
