Recursive Self-Improvement: quando l'AI impara a migliorarsi da sola grazie ai world models

La corsa all'intelligenza artificiale generale ha sempre avuto un traguardo teorico affascinante e inquietante: un sistema capace di riscrivere il proprio codice, correggere i propri errori e progettare versioni migliori di se stesso senza intervento umano. Fino a poco tempo fa, questo scenario — noto come recursive self-improvement (RSI) — apparteneva più alla speculazione filosofica che all'ingegneria praticabile. I tentativi precedenti si scontravano contro un muro: il feedback esterno è costoso, lento e non scalabile, mentre i world models interni diventano inaffidabili non appena la policy dell'agente cambia.

Oggi, una ricerca pubblicata su arXiv il 9 ottobre 2026 cambia le carte in tavola. Il framework RSI-Anything, sviluppato sui principi di JEPA-Anything, dimostra che l'auto-miglioramento ricorsivo non solo è fattibile, ma produce guadagni misurabili e consistenti in domini eterogenei: riparazione di codice, navigazione GUI, pianificazione di laboratorio, ottimizzazione di reazioni chimiche e persino generazione di ipotesi terapeutiche in immunologia (RSI-Anything: Unlocking Recursive Self-Improvement with World Models). Non stiamo parlando di un benchmark accademico astratto, ma di un'architettura domain-general che trasforma l'esperienza di interazione in miglioramenti persistenti.

L'architettura: world models come bussola per l'evoluzione

Il cuore dell'innovazione sta nel ribaltare il paradigma classico. Invece di affidarsi a segnali di ricompensa esterni rari e rumorosi, RSI-Anything usa world models predittivi per due funzioni critiche: guidare l'azione dell'agente e, soprattutto, selezionare quali dati di addestramento conservare per l'iterazione successiva. Il ciclo è chiuso: il feedback osservato guida il miglioramento della policy e l'adattamento condizionato del world model; controlli di componente e compatibilità decidono se la coppia policy-model aggiornata viene mantenuta o scartata.

Questo approccio risolve il problema fondamentale dell'instabilità: quando una policy evolve, il world model addestrato su dati generati dalla policy precedente diventa obsoleto. RSI-Anything adatta il world model condizionatamente ai nuovi dati, mantenendo allineamento tra predizione e realtà operativa. Il risultato è un sistema che non «dimentica» come funziona l'ambiente mentre impara a muovercisi meglio.

Risultati che parlano da soli: dal codice alla chimica

I numeri raccontano una storia di progresso tangibile. Nella riparazione di codice, mantenendo fisso il modello «coder», il tasso di successo passa dal 26,3% con un verifier statico al 29,2% grazie alla selezione predittiva dei dati, fino al 31,2% dopo l'adattamento del world model — tutto a parità di budget di test (RSI-Anything: Unlocking Recursive Self-Improvement with World Models). Un guadagno del 18,6% relativo senza toccare i parametri del generatore di codice.

Nella navigazione GUI, la task completion rate sale mentre il numero medio di azioni scende del 39,4%: l'agente impara a essere più efficiente, non solo più accurato. Ma è nella pianificazione di laboratorio che l'effetto composto dell'RSI diventa evidente: in cinque versioni successive della policy, lo score più che raddoppia, dal 21,80% al 46,01%. Ogni iterazione eredita e raffina le conoscenze della precedente, accumulando competenza come farebbe un ricercatore umano che affina il proprio protocollo sperimentale settimana dopo settimana.

L'ottimizzazione di reazioni chimiche offre forse la validazione più concreta per l'industria: RSI-Anything raggiunge il 96,15% di mean best observed yield contro l'82,16% dell'ottimizzazione bayesiana classica, con lo stesso budget di 40 esperimenti. In un contesto dove ogni esperimento costa tempo, reagenti e rischi per la sicurezza, questo margine si traduce in milioni di euro risparmiati e molecole candidate scoperte prima.

Infine, un'applicazione end-to-end in immunologia connette l'evoluzione del workflow e la modellazione predittiva alla generazione di ipotesi terapeutiche. Non è un toy problem: è la dimostrazione che il framework scala a problemi scientifici reali, dove lo spazio delle azioni è vasto, il feedback è ritardato e gli errori sono costosi.

Perché questo cambia le regole per l'enterprise AI

Per le aziende italiane che investono in AI — dal manifatturiero avanzato al life sciences, dal fintech alla pubblica amministrazione — RSI-Anything segnala un cambio di paradigma operativo. Fino a oggi, il deployment di un LLM o di un agente AI è stato un evento «one-shot»: si addestra, si valuta, si mette in produzione, e ogni miglioramento richiede un nuovo ciclo di data collection, annotation, retraining e validazione. Costoso, lento, e soggetto a model drift.

L'RSI introduce la possibilità di sistemi che migliorano in produzione, imparando dai propri successi e fallimenti quotidiani. Immaginate un agente per la manutenzione predittiva in uno stabilimento siderurgico tarantino: ogni intervento guidato dall'AI genera dati che il world model usa per raffinare le predizioni successive, riducendo falsi positivi e fermi macchina senza che un data scientist debba rianalizzare i log ogni mese. O un assistente per la compliance normativa in banca: ogni nuova circolare Bankitalia processata affina la capacità del sistema di mappare requisiti regolamentari a controlli operativi, accumulando expertise istituzionale che non va persa con il turnover del personale.

La chiave abilitante è l'action masking feasibility-aware descritto nel paper: il sistema vincola le azioni a quelle realizzabili nella finestra operativa corrente, evitando allucinazioni operative pericolose. Per contesti regolati come il farmaceutico o l'aerospaziale — settori dove l'Italia ha eccellenze mondiali — questo meccanismo di guardrail architetturale è prerequisito per qualsiasi adozione in produzione.

Il confine tra opportunità e rischio: capacità nascoste e allineamento

Tuttavia, la stessa capacità di auto-miglioramento ricorsivo solleva questioni di sicurezza che non possono essere ignorate. Un paper contemporaneo dimostra che i modelli possono nascondere capacità arbitrarie attraverso backdoor crittografici nei pesi, attivabili solo tramite trigger segreti, rendendo l'elicitation di tali capacità «dimostrabilmente difficile» anche con accesso completo ai pesi (AI Models Can Provably Hide Arbitrary Capabilities). Se un sistema RSI evolve autonomamente, come garantiamo che non sviluppi — o non nasconda — comportamenti non allineati?

La risposta sta nei controlli di componente e compatibilità menzionati nell'architettura RSI-Anything: ogni coppia policy-world model aggiornata deve superare test di coerenza prima di essere promossa. Ma questo sposta il problema a monte: chi definisce i criteri di compatibilità? In un contesto enterprise, la risposta deve essere governance by design: metriche di allineamento esplicite, audit trail immutabili, e human-in-the-loop per le decisioni ad alto rischio. Non è sufficiente che il sistema migliori; deve migliorare nella direzione giusta.

Un parallelo illuminante viene dal lavoro su HnS (Hide and Seek) per l'attribuzione concept-level in modelli visione black-box: anche lì, la sfida è capire cosa il modello usa per decidere, senza accesso ai pesi o dati annotati (Hide and Seek: HIDE Concepts to SEEK explanations for black box models). Per l'RSI, la sfida analoga è tracciare perché una policy evoluta è migliore, e garantire che il miglioramento non derivi da scorciatoie spurie (reward hacking) che il world model non rileva.

Verso un'infrastruttura di AI auto-evolutiva

RSI-Anything non è un prodotto pronto per il deployment domani. È un framework di ricerca che dimostra la fattibilità di un principio: l'esperienza operativa può diventare carburante per l'evoluzione del modello, se mediata da world models predittivi e governata da controlli di compatibilità. Per l'ecosistema italiano — università, centri di ricerca come CINI e IIT, startup deep-tech, grandi gruppi industriali — la lezione strategica è chiara: investire oggi in architetture world-model-based e pipeline di continuous learning con guardrail significa posizionarsi per catturare il valore dell'RSI quando maturerà.

I settori dove l'Italia ha asset unici — design farmaceutico, materiali avanzati, robotica per manifattura di precisione, gestione infrastrutture critiche — sono proprio quelli dove il feedback è costoso, l'ambiente è parzialmente osservabile, e l'accumulo di expertise tacita fa la differenza competitiva. L'RSI promette di trasformare questa expertise tacita in capitale algoritmico riutilizzabile.

La prossima frontiera non è «più grande», ma «più capace di imparare da se stessa». E i world models sono la bussola che rende questa navigazione possibile.