DeepSeek Harness e Cordis: l’infrastruttura reversibile per un’IA che si migliora, ma entro limiti precisi

DeepSeek Harness (DSH) non dimostra che DeepSeek abbia costruito un sistema autonomo di auto-miglioramento ricorsivo, né che abbia raggiunto l’intelligenza artificiale generale (AGI). Il suo significato più solido è architetturale: DSH crea un runtime per agenti in cui strumenti, adattatori del modello, gestione delle sessioni e persino il ciclo operativo dell’agente possono essere trattati come componenti sostituibili. Questo rende più sicura e praticabile la sperimentazione ripetuta, cioè uno dei presupposti per un auto-miglioramento vincolato. 2526

L’idea centrale: migliorare il “contenitore” dell’agente, non soltanto il modello

L’espressione recursive self-improvement (RSI, auto-miglioramento ricorsivo) può indicare fenomeni molto diversi. Un sistema può migliorare un prodotto specifico, come un algoritmo; può aiutare i ricercatori a costruire un modello successivo più potente; oppure può modificare l’infrastruttura riutilizzabile che determina il funzionamento di un agente.

La ricerca sull’RSI distingue questo tipo di perfezionamento, limitato e verificato da valutatori esterni, dall’RSI aperto. Nel secondo caso il sistema modifica anche gli strumenti o i criteri con cui viene valutato il miglioramento. 1

DSH si colloca soprattutto al livello dell’infrastruttura. Non chiede all’agente di riscrivere necessariamente i propri pesi neurali: gli permette di sperimentare con i componenti che circondano il modello, come prompt, strumenti, memoria, politiche, orchestrazione e cicli di esecuzione. Un componente migliore può essere installato, valutato e conservato; se funziona male, può essere rimosso.

È un passo rilevante verso un RSI di tipo ingegneristico e controllato. Non equivale, però, a un agente che progetta autonomamente un successore più capace, sceglie i propri obiettivi o avvia una crescita incontrollata dell’intelligenza.

Come Cordis rende recuperabili le modifiche al runtime

DSH è costruito su Cordis, un runtime per plugin basato su ciò che la documentazione definisce “componibilità spazio-temporale”. Il framework affronta due problemi distinti del software che cambia mentre è in esecuzione: cosa accade nel tempo quando i componenti vengono caricati o rimossi e come i componenti interagiscono tra loro nella configurazione corrente del sistema. 1718

Componabilità temporale: annullare gli effetti gestiti

Un plugin può modificare un runtime condiviso registrando risorse, eventi, servizi o altri elementi di stato. Nei sistemi tradizionali, la rimozione dipende spesso da procedure di pulizia scritte manualmente dagli sviluppatori, con il rischio di lasciare perdite di memoria, registrazioni residue o “stati fantasma”.

Cordis associa invece le modifiche del runtime a effetti reversibili. Quando un componente viene rimosso, il sistema può eseguire le operazioni inverse corrispondenti nell’ordine appropriato. L’obiettivo non è far funzionare il plugin “all’indietro” né annullare ogni azione esterna compiuta dall’agente, ma riportare la struttura gestita del runtime a una configurazione precedente valida. 2024

La distinzione è fondamentale. Un meccanismo di rollback per la registrazione dei plugin non può cancellare automaticamente un’e-mail già inviata, recuperare un file eliminato, annullare l’addestramento di un modello su dati contaminati o invertire un’azione irreversibile nel mondo fisico. La reversibilità di Cordis è quindi una proprietà software circoscritta, non una garanzia di sicurezza universale.

Componibilità spaziale: gestire le dipendenze

I componenti dipendono inoltre gli uni dagli altri. Uno strumento può richiedere un registro; un modulo di memoria può dipendere da un gestore di sessione; il ciclo dell’agente può avere bisogno di un adattatore per il modello e di un’interfaccia per gli strumenti.

La componibilità spaziale consente ai componenti di dichiarare queste relazioni. Il runtime può così coordinare attivazione, disattivazione, sostituzione e recupero quando un fornitore o una dipendenza cambia. È il meccanismo che permette a un agente modulare di riconfigurarsi senza trattare l’intero sistema come un unico blocco fragile. 1820

Nel loro insieme, effetti reversibili e composizione consapevole delle dipendenze favoriscono test più sicuri, sostituzione dei componenti, recupero dagli errori e aggiornamenti transazionali del runtime. Sono prerequisiti utili per l’auto-miglioramento perché riducono il costo di provare una modifica e poi scartarla.

Cosa suggerisce DSH sulla strategia di DeepSeek per l’AGI

Il progetto indica una possibile strada orientata ai sistemi per costruire agenti sempre più generali: rendere l’ambiente di esecuzione abbastanza flessibile da permettere all’agente di migliorare i meccanismi con cui svolge il proprio lavoro.

Questa impostazione sposta l’attenzione dal solo modello. Anche un modello invariato può diventare più efficace se dispone di strumenti, memoria, pianificazione, valutazione e recupero migliori. Se l’agente può proporre modifiche a questi meccanismi, sottoporle a criteri esterni e conservare soltanto le versioni riuscite, il miglioramento può avvenire all’interno di un ciclo controllato.

L’architettura, tuttavia, non dimostra che DSH esegua autonomamente un auto-miglioramento ricorsivo. Le prove disponibili descrivono un runtime e un harness open source, non un ciclo completo dimostrato in cui DSH genera, valuta, seleziona e distribuisce in autonomia versioni progressivamente più capaci di sé stesso. 2526

Il confronto con gli altri progetti legati all’RSI

I sistemi citati nel dibattito sull’auto-miglioramento operano su livelli differenti. Trattarli come sostituti diretti rischia di nascondere le differenze tecniche più importanti.

AlphaEvolve di Google DeepMind: evoluzione guidata dai valutatori

AlphaEvolve è più vicino a un vero ciclo di ottimizzazione. Agenti basati su Gemini propongono modifiche al codice, valutatori automatici assegnano un punteggio ai risultati e un processo evolutivo promuove i candidati più promettenti. Google descrive l’impiego del sistema nella scoperta e nell’ottimizzazione di algoritmi, anche per problemi matematici e infrastrutture di calcolo. 2314

Il suo punto di forza è il feedback: ogni candidato può essere sottoposto a un obiettivo verificabile automaticamente. DSH, al contrario, è soprattutto un’architettura runtime per comporre e sostituire componenti in modo sicuro. AlphaEvolve si concentra sull’evoluzione delle soluzioni; Cordis sulla riconfigurazione affidabile di un sistema in esecuzione.

RSI Index di OpenAI: uno strumento di misurazione, non un meccanismo

Il materiale pubblico disponibile descrive l’RSI Index come un aggregato di valutazioni sulla ricerca in ambito IA. In questa prospettiva, è uno strumento per monitorare le capacità, non un motore che modifica un modello o esegue da solo un ciclo di miglioramento. Un punteggio può indicare le prestazioni in determinati compiti collegati all’auto-miglioramento, ma non dimostra di per sé che un sistema si stia migliorando autonomamente durante l’impiego. 3435

L’indice va quindi confrontato con DSH come livello di misurazione, non come rivale architetturale. Le prove pubbliche qui disponibili non bastano per valutare in modo indipendente come sia costruito l’indice o quale significato abbiano le variazioni dei suoi punteggi.

La ricerca di Anthropic sul weak-to-strong: automatizzare la ricerca sull’IA

I ricercatori automatizzati di Anthropic affrontano un collo di bottiglia diverso: usare una supervisione più debole per addestrare o guidare un modello più forte. Gli agenti propongono idee, svolgono esperimenti e iterano sul problema della supervisione weak-to-strong, cioè del trasferimento di indicazioni da un sistema più debole a uno più capace. 4958

Questo lavoro è più vicino all’automazione di parti della ricerca sull’IA e della valutazione dell’allineamento che alla sostituzione dei componenti del runtime di DSH. In futuro i due approcci potrebbero completarsi: un agente di ricerca potrebbe scoprire componenti migliori, mentre un harness reversibile potrebbe testarli e distribuirli con possibilità di rollback controllato.

Anche la discussione pubblica più ampia di Anthropic introduce però una precisazione importante: l’azienda afferma di non essere ancora arrivata a un auto-miglioramento ricorsivo pienamente autonomo e sottolinea che l’RSI non è inevitabile. 59

Tencent Hyra-1.0 e MiniMax M2.7: prove insufficienti per un confronto tecnico

Le fonti fornite non offrono documentazione tecnica affidabile e verificabile in modo indipendente su Hyra-1.0 di Tencent o M2.7 di MiniMax. Sarebbe quindi fuorviante attribuire a uno dei due sistemi una specifica architettura RSI o collocarlo sullo stesso piano documentale di DSH, AlphaEvolve o dei lavori pubblicati da Anthropic.

Perché ambienti e cicli di feedback stanno diventando il nuovo fronte competitivo

Il vantaggio competitivo si sta spostando sempre più verso il sistema che circonda il modello di base. Quattro elementi sono particolarmente importanti:

1. Un ambiente capace. Sandbox, repository, strumenti, simulatori, dataset, risorse di calcolo e telemetria del deployment determinano quali esperimenti l’agente possa davvero eseguire.
2. Feedback automatico. Test, verificatori, benchmark, funzioni di ricompensa e metriche di produzione trasformano le modifiche proposte in esperimenti misurabili. AlphaEvolve mostra il valore di combinare idee generate dal modello e valutatori automatici. 26
3. Recuperabilità. Versionamento, isolamento, tracciabilità dell’origine, rollback e passaggi di approvazione permettono di condurre più esperimenti senza lasciare che un singolo errore danneggi il sistema in modo permanente. Gli effetti reversibili di Cordis intervengono direttamente su questo livello. 1720
4. Iterazione cumulativa. Se ogni ciclo migliora la programmazione, la valutazione, la sperimentazione o l’infrastruttura, i cicli successivi possono diventare più rapidi o meno costosi. Le prove attuali sostengono però più chiaramente un auto-perfezionamento vincolato che un RSI aperto e autosostenuto. 1

È per questo che un modello leggermente meno forte nei benchmark potrebbe comunque essere competitivo se opera all’interno di un ambiente migliore, con strumenti, feedback e recupero più efficaci. Il prodotto non è più soltanto il checkpoint del modello: è il ciclo di miglioramento nel suo complesso.

Il problema del controllo resta aperto

La recuperabilità riduce il rischio, ma non lo elimina. Un pulsante per il rollback non garantisce che ogni conseguenza dell’azione di un agente sia osservabile o reversibile. Le modifiche possono coinvolgere dati, credenziali, servizi esterni, confini di sicurezza o decisioni umane al di fuori del controllo del runtime.

Un’iterazione più rapida può inoltre amplificare obiettivi sbagliati, comportamenti opportunistici rispetto alle specifiche, regressioni nascoste e dipendenze difficili da comprendere. Mantenere il controllo umano richiede quindi più di un meccanismo tecnico di ripristino: le modifiche devono restare osservabili, valutabili in modo indipendente, autorizzate, attribuibili e realmente reversibili nell’intero sistema, non soltanto nel grafo dei plugin.

La conclusione più solida è prudente: DSH e Cordis mostrano come progettare un’infrastruttura per una modifica autonoma limitata e recuperabile degli agenti. AlphaEvolve dimostra la forza dell’evoluzione guidata dai valutatori, mentre il lavoro di Anthropic mostra come l’IA possa partecipare sempre più direttamente alla ricerca. Insieme, questi progetti indicano progressi verso cicli di miglioramento assistiti dall’IA, ma non dimostrano ancora un RSI pienamente autonomo e aperto né l’arrivo dell’AGI. 14959