Immagina di avere un robot incredibilmente intelligente, ma è intrappolato in una scatola di vetro. Non puoi cambiare il suo cervello e non puoi insegnargli nuovi fatti. È congelato nel tempo. Eppure, devi fargli risolvere mille puzzle diversi, dal riparare codice rotto al navigare su un sito web. Come fai a renderlo migliore? Nel mondo dell'intelligenza artificiale, questa è la sfida dell' "agente". Un agente non è solo il cervello (il modello); è anche l' "imbracatura" (harness) — l'insieme di istruzioni, strumenti e regole che dicono al cervello come agire. Pensa al cervello come a uno chef brillante che conosce ogni ricetta del mondo, ma l'imbracatura è la cucina stessa. Se la cucina è disordinata, lo chef farà cadere gli ingredienti o brucerà la zuppa, indipendentemente da quanto sia talentuoso. Gli scienziati hanno cercato di costruire cucine capaci di auto-migliorarsi, ma la maggior parte dei tentativi è come un singolo chef che cerca di sistemare la propria postazione mentre cucina. Spesso risolvono un problema (come sminuzzare le cipolle più velocemente) ma accidentalmente ne rompono un altro (come dimenticare di spegnere il fornello).

Entra in scena DarwinX, un nuovo approccio di Salesforce AI Research che tratta il miglioramento di un agente IA come la gestione di un massiccio esperimento di selezione naturale in una capsula di Petri. Invece di un singolo chef che cerca di sistemare tutto da solo, DarwinX crea un'intera popolazione di diverse configurazioni di cucina. Permette loro di provare nuovi strumenti e istruzioni, ma con una regola ferrea: puoi tenere una nuova configurazione solo se risolve un nuovo problema senza rompere nessuno di quelli vecchi. È come un gioco di "sopravvivenza del più forte" dove i più forti non sono quelli che hanno solo fortuna, ma quelli che riescono a fare di più senza rovinare ciò che già sapevano. Il documento suggerisce che, congelando il cervello dell'IA e facendo evolvere solo queste "configurazioni di cucina", il sistema può imparare a risolvere compiti complessi molto meglio, anche su puzzle che non ha mai visto prima.

L'evoluzione del kit di attrezzi perfetto

I ricercatori dietro DarwinX si sono posti una domanda semplice: e se smettessimo di cercare di riaddestrare il cervello dell'IA e ci concentrassimo interamente sull'evoluzione degli strumenti e delle istruzioni che utilizza? Loro chiamano questo l' "imbracatura" (harness). Essa include i prompt (le istruzioni), gli strumenti (come una calcolatrice o un browser web) e il flusso di controllo (i passaggi che l'IA compie).

Per testare questo, hanno allestito una capsula di Petri digitale. Hanno preso un potente modello di IA e hanno congelato completamente il suo cervello. Poi, hanno creato una popolazione di diverse "imbrature" (diversi set di istruzioni e strumenti) e le hanno lasciate evolvere. Ecco come è avvenuta la magia:

1. Il contratto "Preserva-ed-Estendi"
Immagina di essere un giardiniere. Hai una pianta che produce pomodori perfetti. Vuoi farle produrre anche fragole. Un cattivo giardiniere potrebbe cercare di costringere la pianta a produrre fragole e accidentalmente uccidere i pomodori. DarwinX utilizza una regola ferrea chiamata contratto "preserva-ed-estendi". Una nuova versione dell'imbracatura è autorizzata a sopravvivere solo se risolve un nuovo compito (come far crescere le fragole) senza regredire sui compiti precedenti (i pomodori devono essere ancora perfetti). Se una nuova idea risolve un problema ma ne rompe un altro, viene tagliata dal giardino. Questo assicura che l'IA diventi sempre migliore senza dimenticare ciò che già sapeva fare.

2. L'archivio dei "Cosa-se"
In molti esperimenti evolutivi, se un percorso porta a un vicolo cieco, lo si scarta. DarwinX è diversa. Conserva un archivio di ogni variante, anche quelle che sono fallite complessivamente. Perché? Perché un'imbratura "fallita" potrebbe avere un singolo trucco brillante che risolve un problema specifico. Conservando questi "perdenti" nell'archivio, DarwinX può successivamente mixare e combinare i pezzi. È come rendersi conto che un tentativo fallito di costruire un ponte aveva un'ottima idea per un cavo di sospensione. Combinando quel cavo con un diverso design di ponte, si ottiene un super-ponte. Questa "ricombinazione" permette al sistema di costruire abilità complesse assemblando le migliori parti di diverse linee di discendenza.

3. I tre tipi di indizi
Come fa il sistema a sapere cosa cambiare? Utilizza tre tipi di indizi, il tutto senza toccare il cervello dell'IA:

• Indizi di Fallimento: Quando l'IA fallisce, il sistema analizza perché e suggerisce una correzione.
• Indizi dell'Insegnante: Se un essere umano o un'IA più forte mostra la strada corretta, il sistema copia quel metodo.
• Auto-indizi: Il sistema confronta i propri tentativi di successo con i propri fallimenti per capire la differenza.
  Questi indizi vengono trasformati in piccole modifiche all'imbracatura, come cambiare un prompt o aggiungere un nuovo strumento.

I Risultati: Un Cervello Congelato, un Super-Cervello

I ricercatori hanno testato il sistema su quattro diverse sfide, passando da facili a molto difficili. I risultati sono stati sorprendentemente forti, suggerendo che un modello congelato può diventare un agente molto più capace semplicemente facendo evolvere la sua imbracatura.

• Il Terminal Bench (Compiti di Coding): Su un set di 89 compiti di coding, l'imbracatura evoluta ha aumentato il tasso di successo dal 75,5% all'83,2% su un modello GPT-5.5. Su un modello GPT-5.6 più forte, ha raggiunto l'84,7%, eguagliando o superando i migliori agenti esistenti al mondo, nonostante il cervello non sia mai cambiato. Il documento nota che l'IA non è stata solo "fortunata"; ha imparato a dedicare più tempo e sforzo esattamente ai compiti in cui incontrava difficoltà, raddoppiando i tentativi sui problemi più difficili e lasciando invariati quelli facili.
• Il Test "Held-Out" (Generalizzazione): Hanno poi testato l'agente evoluto su 41 nuovi compiti che non aveva mai visto prima. L'imbracura evoluta ha risolto il 68,3% di essi, battendo tutti gli altri agenti pronti all'uso testati. Ciò suggerisce che l'IA ha appreso abilità generali, non ha solo memorizzato risposte.
• Il Salto "Dal Sintetico al Reale": In un test basato sul browser chiamato WebArena-Infinity, il sistema è stato evoluto su 300 compiti sintetici finti e poi testato su 1.260 compiti reali. Il tasso di successo è passato dal 43,5% al 93,0%. Questo è enorme perché significa che l'IA ha imparato a usare un browser correttamente, non solo come aggirare specifici vincoli di test. I ricercatori hanno verificato i risultati e hanno scoperto che l'agente evoluto ha smesso di "aggirare i vincoli" (come cercare di hackerare il test) e ha iniziato a fare le cose legittimamente.
• Il Trasferimento tra Benchmark: Infine, hanno preso l'imbracatura evoluta per i compiti di coding e l'hanno utilizzata su un benchmark completamente diverso chiamato SWE-bench Verified (ingegneria del software). Senza alcun nuovo addestramento, ha ottenuto l'84,2%, dimostrando che le abilità apprese erano trasferibili a nuovi tipi di problemi.

Cosa è cambiato? La competenza di "Verifica"

Il documento approfondisce cosa sia effettivamente cambiato nel cervello dell'IA (o meglio, nella sua imbracatura). Si scopre che l'IA non ha imparato nuovi fatti su matematica o storia. Invece, ha appreso una famiglia di abilità legate alla verifica e ai contratti.

Prima, l'IA spesso tirava a indovinare una risposta sperando che fosse corretta. L'IA evoluta ha imparato a:

1. Creare un contratto: Prima di finire un compito, definisce esattamente cosa costituisce una risposta "corretta".
2. Controllare il proprio lavoro: Esegue strumenti per verificare il proprio output rispetto a quel contratto.
3. Correggere gli errori: Se il controllo fallisce, torna indietro e riprova.

Questo "pacchetto di verifica" è ciò che ha permesso all'IA di affrontare compiti difficili e multi-step, come configurare complessi ambienti software o navigare in un sito web senza perdersi. È la differenza tra uno studente che indovina la risposta e uno che controlla due volte il proprio lavoro.

Conclusione

DarwinX suggerisce che non abbiamo sempre bisogno di cervelli più grandi e intelligenti per rendere migliore l'IA. A volte, abbiamo solo bisogno di evolvere istruzioni e strumenti migliori. Trattando l' "imbracatura" dell'IA come un'entità vivente che può essere selezionata, archiviata e ricombinata, i ricercatori hanno creato un agente che è più affidabile, più capace e meno propenso ad aggirare i vincoli. Il documento sottolinea che questi guadagni sono reali e misurabili, non sono semplici simulazioni, e resistono anche quando l'IA affronta compiti che non ha mai visto prima. È un promemoria del fatto che, a volte, il modo migliore per rendere più intelligente un genio è dargli un set di strumenti migliore e insegnargli come usarli.