Andrei Karpaty ha insegnato agli agenti IA a eseguire centinaia di esperimenti di notte, quando le persone si riposano

Andrej Karpathy apre un nuovo approccio all'auto‑ricerca

L’ex responsabile dei progetti di intelligenza artificiale di Tesla e cofondatore di OpenAI, Andrej Karpathy, ha annunciato il lancio di un progetto semplice ma potente con codice aperto. Lo script è composto da soli 630 righe ed è ospitato su GitHub. Non pretende di essere una modello pronto all’uso o un grande prodotto aziendale; l’obiettivo è mostrare come gli agenti IA possano automatizzare completamente il metodo scientifico senza intervento umano.

> «Il nostro obiettivo è costruire agenti che avanzino inesorabilmente nella ricerca, anche di notte» – ha scritto Karpathy su X. Il post è diventato virale immediatamente e ha raccolto oltre 8,6 mila visualizzazioni in due giorni.

Come funziona il sistema
1. Inizializzazione

L’agente riceve lo script di addestramento e un budget computazionale fisso (di solito 5 minuti su GPU).

2. Autovalutazione del codice

Legge il proprio codice sorgente, formula una ipotesi di miglioramento (ad es., modificare la velocità di apprendimento o la profondità del modello).

3. Modifica e avvio dell’esperimento

Effettua le modifiche, lancia l’esperimento e valuta i risultati.

4. Verifica dell’efficacia

Se la metrica *val_bpb* (perdita per byte alla validazione) migliora, la modifica viene salvata; altrimenti si annulla e si genera una nuova ipotesi.

In una sola notte l’agente ha eseguito 126 esperimenti, riducendo le perdite da 0,9979 a 0,9697. Dopo un’ottimizzazione di due giorni ha gestito circa 700 modifiche autonome, trovando ~20 miglioramenti aggiuntivi che sono stati trasferiti con successo su modelli più grandi.

Karpathy ha osservato: «Guardare l’agente gestire completamente il processo dall’inizio alla fine è incredibile. Ha individuato errori nella scalabilità dell’attenzione e nella regolarizzazione che avevo trascurato per 20 anni di lavoro».

Cosa dicono gli esperti
L’automazione del metodo scientifico è considerata un cambiamento fondamentale nello sviluppo dell’IA. Trasformando l’apprendimento automatico in un “processo evolutivo” alla velocità del silicio, Karpathy ha aperto nuove prospettive per la ricerca non solo nell’IT ma anche nel marketing, nella sanità e in altri settori.

Esempi di applicazione pratica
Partner | Descrizione dell’esperimento | Risultati
---|---|---
Hyperspace AI (Varun Mathur) | 35 agenti autonomi operavano in una rete peer‑to‑peer, usando CPU portatili. | Per la notte hanno condotto 333 esperimenti senza operatore, scoprendo strategie di inizializzazione (Kaiming, Xavier) e normalizzazione (RMSNorm).
Single Grain (Eric Siu) | Automazione del ciclo marketing: l’agente modifica variabili nelle landing page, nei creativi pubblicitari o nelle email. | Misura la “percentuale di risposte positive”, conserva le modifiche riuscite e elimina quelle inefficaci.

Conclusione
Karpathy ha dimostrato come script semplici possano diventare potenti strumenti per l’auto‑apprendimento degli agenti IA. Il ciclo automatizzato di ottimizzazione consente di condurre centinaia di esperimenti in una notte, individuando miglioramenti che prima richiedevano anni di ricerca. Questo apre la strada a uno sviluppo più rapido e scalabile dei modelli in molteplici ambiti.