Agenti AI Raggiungono l'Auto-Evoluzione Spontanea Senza Ricompense Umane

Un recente articolo di ricerca presenta una tecnica innovativa per addestrare agenti di intelligenza artificiale a evolversi autonomamente, eliminando la necessità di ricompense esterne o supervisione umana. Questo metodo incorpora una capacità intrinseca di meta-evoluzione, consentendo agli agenti di apprendere informazioni su nuovi ambienti in modo indipendente prima di intraprendere compiti. Durante il processo di addestramento, un sistema di ricompensa basato sui risultati valuta quanto le conoscenze auto-acquisite da un agente migliorino le sue prestazioni nei compiti successivi. Questo meccanismo di ricompensa fornisce al modello efficaci capacità di esplorazione e sintesi. Durante l'inferenza, l'agente funziona senza incentivi esterni o guida umana, affidandosi interamente ai suoi parametri interni per navigare in ambienti sconosciuti. Applicato ai modelli Qwen3-30B e Seed-OSS-36B, questo approccio ha prodotto un miglioramento del 20% nelle prestazioni, segnando un cambiamento significativo rispetto ai sistemi di agenti tradizionali che si basano su ricompense definite dall'uomo. La ricerca affronta la limitazione critica della supervisione esterna negli agenti AI moderni, che tipicamente cessano di evolversi senza intervento umano.