Jack Clark e TasteVal: l'IA auto-migliorante anticipata al 2027
- Jack Clark anticipa al 2027 la previsione sulla recursive self-improvement (RSI) dell'IA, precedentemente fissata al 2028.
- Il benchmark TasteVal di P-Zero Research mostra che la capacità di progettare esperimenti e interpretare risultati raddoppia ogni tre mesi dal dicembre 2025.
- Il modello Opus 5.5 di Anthropic ha superato 24 esperti umani con costi drasticamente inferiori (282$ contro 9.123$ per tentativo).
- Resta aperto il dibattito sulla capacità dell'IA di definire autonomamente le domande di ricerca, fase ancora dominata dall'intuizione umana.
Il cronometro dell'intelligenza artificiale ha subito un'accelerazione. Jack Clark, co-fondatore di Anthropic e autore della newsletter Import AI, ha rivisto al ribasso la sua previsione temporale per l'avvento della recursive self-improvement (RSI). Se in precedenza Clark indicava il 2028 come l'anno in cui i sistemi di IA avrebbero potuto sviluppare autonomamente i propri successori, ora sposta questa soglia al 2027. L'aggiornamento della timeline non è un'ipotesi astratta, ma il risultato dell'analisi di metriche concrete relative alla capacità di giudizio dei modelli.
Jack Clark accorcia i tempi
Per comprendere il peso di questa previsione, occorre guardare al profilo di chi la formula. Clark non è un semplice osservatore, ma un insider che monitora i segnali tecnici per estrapolare trend di mercato e tecnologici. La sua analisi si basa su un concetto critico: la capacità dei modelli di fornire la creatività necessaria per guidare la ricerca sull'IA stessa. In un post del 4 maggio, Clark aveva stimato le probabilità di una ricerca automatizzata capace di addestrare un successore al 30% per il 2027 e al 60% per la fine del 2028.
Il cambio di rotta avviene a ottobre 2026. Il catalizzatore è l'emergere di nuovi benchmark che misurano non più la performance bruta del modello, ma la sua capacità di navigare il processo scientifico. La recursive self-improvement descrive un loop in cui un sistema di IA conduce la ricerca necessaria per addestrare una versione più forte di se stesso, che a sua volta ripete il processo, accelerando esponenzialmente l'evoluzione tecnologica senza l'intervento umano costante.
Cos'è il research taste?
Il cuore del dibattito si sposta ora su una metrica definita 'research taste' (gusto della ricerca). Il laboratorio P-Zero Research ha formalizzato questo concetto definendolo come l'insieme di tre abilità distinte: l'identificazione delle domande di ricerca che meritano di essere perseguite, la progettazione di esperimenti per rispondere a tali domande e l'interpretazione corretta dei risultati ottenuti.
Per misurare queste competenze è stato creato TasteVal, un benchmark che sottopone i modelli a otto problemi fissi di ricerca nell'ambito dello sviluppo di modelli di IA. I compiti includono la selezione dei dati di addestramento, il pre-training, il fine-tuning, l'addestramento sulle preferenze umane e la difesa contro i prompt avversari. È fondamentale precisare che TasteVal non testa l'intero ciclo: la decisione su quale domanda sia utile porre è già predefinita nel test. Il modello deve però decidere quale esperimento eseguire successivamente e utilizzare i risultati per guidare il passo seguente.
Per evitare che l'abilità di programmazione influenzi il risultato, l'implementazione del codice è affidata a un agente di coding separato e fisso. In questo modo, TasteVal isola la capacità di giudizio strategico e interpretativo dell'IA, separandola dalla mera esecuzione tecnica.
Un raddoppio ogni tre mesi
I dati emersi da TasteVal mostrano una curva di miglioramento insolitamente ripida. Secondo Jack Clark, la capacità di 'research taste' è raddoppiata circa ogni tre mesi a partire da dicembre 2025. Questa progressione suggerisce che l'IA stia acquisendo rapidamente la capacità di ottimizzare i processi di ricerca in modo efficiente.
Il confronto con l'intelligenza umana evidenzia un divario economico e prestazionale netto. Il modello Opus 5.5 di Anthropic ha guidato la classifica per efficienza computazionale sperimentale. I dati di P-Zero Research mostrano una disparità di costi schiacciante per ogni tentativo di benchmark:
| Soggetto | Costo per tentativo | Note |
|---|---|---|
| Opus 5.5 (Anthropic) | 282$ | Include API e GPU (2.50$/ora) |
| Esperti Umani (24 persone) | 9.123$ | Paga media 119$/ora |
Il gruppo di controllo umano era composto da 24 esperti legati a organizzazioni come Google DeepMind e OpenAI. Nonostante l'Opus 5.5 abbia rifiutato uno dei compiti (dato trattato come mancante), i risultati sugli altri sette task hanno confermato la superiorità del modello in termini di costi e precisione nell'interpretazione dei risultati. L'analisi di The Rundown sottolinea come questo trend sia supportato anche da un incremento massiccio dell'output di coding: Anthropic ha riportato che le modifiche al codice unite giornalmente sono passate da 2.500 a maggio a oltre 30.000 a settembre.
L'IA può davvero sostituire l'intuizione scientifica?
Nonostante i numeri, l'idea che l'IA possa sostituire l'intuizione scientifica rimane oggetto di critica. Il benchmark TasteVal, pur essendo impressionante, misura una fetta ristretta del lavoro scientifico. Manca la fase più cruciale: la capacità di decidere autonomamente quale direzione di ricerca sia promettente. Questa è l'essenza dell'intuizione scientifica, il 'gusto' nel senso più ampio del termine.
Analisi strategica: Il rischio per le aziende è confondere l'efficienza nell'esecuzione di esperimenti con la capacità di innovazione radicale. L'IA eccelle nell'ottimizzazione di percorsi già tracciati, ma il salto creativo rimane un terreno umano. Un dato a supporto di questa tesi proviene da uno studio della Fudan University: sebbene gli agenti IA abbiano generato fino al 55% delle proposte metodologiche nello sviluppo dei propri modelli, gli esseri umani hanno preso oltre l'85% delle decisioni finali.
Il gap tra proporre e decidere è dove risiede il valore strategico. Se l'IA può suggerire dieci strade, l'imprenditore o lo scienziato devono ancora decidere quale strada porterà a un vantaggio competitivo reale. La recursive self-improvement potrebbe quindi non essere un'esplosione improvvisa di intelligenza, ma un'accelerazione massiccia della fase di test e raffinamento.
Per verificare se l'IA stia effettivamente superando l'intuizione umana, l'indicatore da osservare nei prossimi 18 mesi sarà la comparsa di pubblicazioni scientifiche o brevetti in cui l'IA non ha solo eseguito l'esperimento, ma ha formulato l'ipotesi di partenza senza input umano predefinito.
Il rischio dell'automazione della ricerca tra AI Act e sovranità tecnologica UE
L'accelerazione verso l'IA auto-migliorante pone l'Unione Europea in una posizione delicata. Se i tempi di sviluppo si accorciano, il rischio è che l'Europa si trovi a gestire tecnologie che evolvono più velocemente della capacità legislativa di regolarle. L'AI Act è stato progettato per classificare i rischi in base all'uso, ma un sistema capace di RSI potrebbe cambiare la propria natura e il proprio profilo di rischio in tempi brevissimi.
Per le imprese italiane, questo scenario implica una dipendenza tecnologica ancora più marcata dai provider statunitensi. Se l'IA inizia a progettare se stessa, il vantaggio competitivo non sarà più dato solo dalla potenza di calcolo (compute), ma dalla proprietà degli algoritmi di 'gusto' della ricerca. Chi controlla il loop di auto-miglioramento controlla l'intera evoluzione della specie tecnologica.
In termini di sovranità, l'UE deve monitorare non solo l'implementazione della direttiva NIS2 per la sicurezza delle reti, ma anche la capacità di creare benchmark indipendenti. Affidarsi a metriche prodotte da laboratori legati a giganti tech potrebbe portare a una sottostima dei rischi o a una sovrastima delle capacità, influenzando erroneamente le decisioni di investimento delle PMI italiane nel settore dell'automazione.
L'indicatore verificabile per l'Europa sarà l'eventuale aggiornamento dell'AI Act con clausole specifiche per i sistemi a auto-miglioramento ricorsivo entro il 2027. Senza un quadro normativo dinamico, le imprese europee rischiano di trovarsi in un limbo legale tra l'adozione di strumenti potentissimi e l'impossibilità di certificarne la conformità.
Domande frequenti
Cosa si intende per recursive self-improvement (RSI)?
È il processo attraverso il quale un sistema di intelligenza artificiale conduce la ricerca necessaria per progettare e addestrare una versione successiva di se stesso, più potente, creando un ciclo di miglioramento autonomo.
Qual è la differenza tra i risultati di Opus 5.5 e quelli umani nel TasteVal?
Opus 5.5 ha dimostrato una maggiore efficienza computazionale, con un costo per tentativo di 282$, a fronte dei 9.123$ necessari per il gruppo di 24 esperti umani.
Il benchmark TasteVal prova che l'IA è già capace di auto-migliorarsi?
No, misura solo una parte del processo: la capacità di progettare esperimenti e interpretare i risultati. Non misura la capacità di decidere autonomamente quali domande di ricerca siano degne di essere esplorate.
Fonti: The-decoder, Aidailypost, Therundown ·
glacom · Intelligenza artificiale per aziende: i modelli girano sui tuoi server, i dati non escono →Scrivila qui: Susanna, l assistente AI di glacom, ti risponde via email con un approfondimento gratuito.
Nessuna consulenza personalizzata (finanziaria, legale o medica): solo informazione e fonti. Email usata solo per rispondere.
oppure scrivile su: WhatsApp · Telegram · SimpleX · Delta Chat · Email
