La scienza e l'ingegneria si sono a lungo affidate a un semplice ritmo umano: prova qualcosa, vedi se funziona, impara dall'errore e riprova. Per decenni, questo ciclo è stato il motore della scoperta, dove un ricercatore costruisce un prototipo, lo testa e usa i risultati per perfezionare la versione successiva. Ma man mano che i computer sono diventati abbastanza potenti da scrivere il proprio codice ed eseguire i propri esperimenti, è emersa una nuova domanda. Può una macchina imparare dai propri fallimenti allo stesso modo di un essere umano? La sfida non è solo che la macchina ottenga un risultato, ma che comprenda perché ha ottenuto quel risultato. Quando un computer prova mille variazioni di un design, spesso produce una montagna di dati che gli dicono cosa è successo, ma non quale specifica modifica abbia fatto la differenza. Senza quella chiarezza, la macchina è costretta a imparare le stesse lezioni più e più volte, sprecando tempo ed energia su percorsi che non portano da nessuna parte.

Questo è il problema che un team di ricercatori di Sapient Intelligence si è proposto di risolvere. Hanno costruito un sistema chiamato PRAXIST, progettato non solo per trovare soluzioni, ma per costruire una storia chiara e verificabile di come tali soluzioni siano state scoperte. Invece di trattare ogni tentativo come un nuovo inizio, PRAXIST tratta la ricerca come una conversazione continua. Prende i risultati di un esperimento, li scompone in lezioni specifiche — cosa ha funzionato, cosa è fallito e cosa è stato solo un colpo di fortuna — e salva quelle lezioni come un record permanente. Quando il sistema inizia il suo prossimo round di esperimenti, non guarda solo al punteggio migliore del passato; guarda ai meccanismi specifici che hanno ottenuto quel punteggio. Chiede: "Questa parte del design ha effettivamente causato il miglioramento, o è stato qualcos'altro?". Rispondendo a questa domanda, il sistema può portare avanti solo le parti utili della sua storia, costruendo soluzioni più forti e affidabili con molta meno fatica rispetto a prima.

I ricercatori hanno testato questo approccio su un vasto insieme di settantacinque diversi problemi di ingegneria del machine learning, che vanno dall'identificazione di malattie nelle immagini mediche alla previsione delle tendenze del mercato azionario. Hanno confrontato il loro sistema con un potente assistente di codifica IA standard che utilizza uno dei modelli linguistici più avanzati disponibili. I risultati sono stati sorprendenti. L'assistente standard è riuscito a ottenere una medaglia in circa il settantaquattro per cento dei compiti, ma ha impiegato quasi trentottomila dollari in costi computazionali per farlo. Il sistema PRAXIST, utilizzando un modello sottostante diverso e un modo molto più intelligente di organizzare il proprio lavoro, ha ottenuto medaglie nell'ottanta per cento dei compiti, il tutto spendendo solo circa tremila dollari. In altre parole, il nuovo sistema ha trovato soluzioni migliori per circa un dodicesimo del costo.

Ma la vera innovazione non risiede solo nel risparmio, ma nel metodo. I ricercatori hanno osservato che la maggior parte dei sistemi automatizzati tratta la propria storia come una semplice lista di punteggi, conservando solo il numero più alto e scartando tutto il resto. PRAXIST, invece, tratta la storia come un albero genealogico. Ogni volta che il sistema costruisce un nuovo pezzo di software o un nuovo meccanismo di controllo, registra le specifiche scelte di progettazione che hanno portato al successo o al fallimento. Se una particolare modifica a un algoritmo di atterraggio di un razzo ha causato lo schianto del veicolo, quel fallimento viene registrato non come un vicolo cieco, ma come una lezione preziosa che dice ai tentativi futuri cosa evitare. Se un piccolo aggiustamento a una strategia di trading ha migliorato i profitti, quel successo viene etichettato con la ragione esatta per cui ha funzionato, in modo che il sistema sappia usare lo stesso aggiustamento in un contesto diverso. Questo processo permette al sistema di ereditare "prove tipizzate", ovvero sa esattamente quali parti di una soluzione sono provate per funzionare e quali sono ancora solo ipotesi.

Per vedere come questo funzioni nel mondo reale, il team ha applicato PRAXIO a quattro complessi problemi di ingegneria aperti che non avevano una singola risposta corretta. In un caso, hanno chiesto al sistema di progettare un controllore per un razzo riutilizzabile per atterrare verticalmente. Il punto di partenza era un controllore che aveva successo solo il quattro per cento delle volte. Un ottimizzatore automatizzato standard ha provato centinaia di variazioni e ha riuscito a migliorare il tasso di successo al diciassette per cento, ma non è riuscito a far atterrare il razzo in sicurezza ogni volta. PRAXIST, tuttavia, ha intrapreso una strada diversa. Non ha solo provato cambiamenti casuali; ha costruito una linea di miglioramenti. Ha prima aggiunto un regolatore per gestire il carburante, poi una guida per gestire la transizione tra le fasi di volo e, infine, uno strumento matematico specifico per bilanciare le forze sulle pinne del razzo. Alla fine della campagna, il sistema aveva prodotto un controllore che faceva atterrare il razzo con successo in ogni singola prova, un punteggio perfetto del cento per cento. Fondamentalmente, il sistema ha registrato l'intero percorso, mostrando esattamente come ogni piccolo miglioramento abbia portato al successo finale.

In un altro esperimento, il sistema ha affrontato il problema del trading autonomo. L'obiettivo era creare una strategia che potesse comprare e vendere azioni per massimare il profitto nel tempo. La strategia di base, che acquistava semplicemente una quantità uguale di ogni azione disponibile, otteneva un tasso di crescita annuale del ventitré per cento. PRAXIST ha scoperto una strategia più complessa e adattiva che imparava dai pattern di mercato e regolava il proprio comportamento in base ai costi di esecuzione. Questa nuova strategia ha raggiunto un tasso di crescita del cinquantatré per cento, più del doppio della base. Il sistema non ha solo trovato una combinazione fortunata; ha tracciato la scoperta fino a cambiamenti specifici, come il modo in cui la strategia gestiva il rischio e come gestiva la tempistica dei suoi scambi. I ricercatori potevano guardare la "lineage" del sistema e vedere l'esatto momento in cui la strategia ha imparato a evitare un errore comune che ne stava danneggiando le prestazioni.

Il sistema ha dimostrato la sua efficacia anche nel campo della robotica e della fisica. In un test che coinvolgeva un robot che utilizza telecamere e laser per navigare, il sistema standard stava sprecando una enorme quantità di potenza computazionale aggiornando costantemente la sua mappa con informazioni ridondanti. PRAXIST ha capito che il robot non aveva bisogno di guardare ogni singolo fotogramma del video; aveva solo bisogno di guardare quando l'informazione nuova era effettivamente utile. Insegnando al robot a saltare gli aggiornamenti non necessari, il sistema ha ridotto il tempo di elaborazione visiva del settantadue per cento senza perdere alcuna accuratezza nella navigazione. Allo stesso modo, in una simulazione del controllo di un reattore a fusione nucleare, il sistema ha progettato un controllore che manteneva stabile il plasma instabile per periodi più lunghi rispetto agli esistenti controllori progettati da esseri umani, nonostante la fisica coinvolta sia notoriamente difficile da prevedere.

Ciò che rende questi risultati così significativi è la trasparenza che forniscono. Nella ricerca automatizzata tradizionale, quando un sistema trova una soluzione, è spesso una "scatola nera". Sai che funziona, ma non sai perché, e non puoi facilmente dire se il successo reggerà in una situazione leggermente diversa. PRAXIST cambia questo aspetto collegando una storia dettagliata a ogni risultato. Registra la "lineage" della soluzione, una catena di prove che mostra quali meccanismi sono stati testati, quali sono stati validati e quali sono stati scartati. Ciò significa che gli scienziati umani possono guardare il lavoro del sistema, comprenderne la logica e persino prendere le parti migliori per costruire qualcosa di nuovo. Trasforma il computer da uno strumento che produce solo risposte in un collaboratore che documenta il proprio ragionamento.

I ricercatori sottolineano che questo approccio non riguarda la sostituzione degli scienziati umani, ma il fornire loro uno strumento più potente. Gestendo il lavoro tedioso di testare migliaia di variazioni e organizzare le lezioni apprese, il sistema libera gli umani per concentrarsi sul quadro generale. La capacità di ereditare la conoscenza attraverso generazioni di esperimenti significa che il sistema non deve ricominciare da zero ogni volta che affronta un nuovo problema. Può portare avanti la saggezza dei suoi fallimenti e successi passati, costruendo una base di conoscenze affidabili che cresce più forte a ogni tentativo. Questo passaggio da una semplice ricerca del miglior punteggio a una profonda comprensione delle prove dietro il punteggio rappresenta un cambiamento fondamentale nel modo in cui affrontiamo le sfide ingegneristiche complesse.

Alla fine, la storia di PRAXIST è sulla potenza della memoria nelle macchine. Per molto tempo, i computer sono stati eccellenti nel calcolo ma scarsi nell'imparare dalla propria storia in modo strutturato. Questo sistema dimostra che quando si dà a una macchina la capacità di registrare non solo cosa è successo, ma perché è successo, essa può risolvere problemi che prima erano fuori portata. Lo fa non essendo più intelligente in senso generale, ma essendo più attenta a ciò che ricorda e a come usa quella memoria. Il risultato è un sistema che non è solo più efficiente e conveniente, ma anche più affidabile, perché ogni soluzione che offre arriva con un resoconto chiaro e ispezionabile di come sia stata raggiunta. Questo è il futuro della ricerca autonoma: non una macchina che indovina il modo per arrivare a una soluzione, ma una che costruisce un'eredità di prove, un esperimento alla volta.