Il startup giapponese Sakana AI ha lanciato il laboratorio di ricerca Sakana AI RSI Lab, con l'obiettivo specifico di accelerare il processo di sviluppo e di ottimizzazione dei nuovi sistemi di intelligenza artificiale attraverso la Recursive Self-Improvement. Il termine, abbreviato con RSI, indica l’idea di permettere alla stessa intelligenza artificiale di migliorare il proprio funzionamento, sostituendo il modello tradizionale in cui sempre più risorse vengono dedicate al training di modelli sempre più grandi.
Dalla scalabilità alla sostenibilità
Il gruppo ha fondato questa iniziativa su anni di avanzate ricerche interne, con particolare attenzione a progetti come LLM-Squared, Darwin-Gödel-Maschine e The AI Scientist. La scelta di Sakana AI di privilegiare un approccio evolutivo e non più basato esclusivamente su modelli di dimensioni crescenti rappresenta un'alternativa importante a quella degli altri laboratori di punta, che puntano su infrastrutture ad alta potenza di calcolo. Secondo il laboratorio, RSI potrebbe rendere disponibile una Frontier-KI meno dipendente da cluster di GPU di grandi dimensioni, quindi con accesso più diffuso.
Un piano in quattro fasi
Nel blog post ufficiale, Sakana AI descrive una visione a quattro fasi per arrivare a una reale autonomia di miglioramento da parte dei sistemi di KI:
- Dal modello classico all’agente adatto: Si parte da modelli non concepiti come chatbot, bensì capaci di svolgere compiti complessi e multipli.
- Automazione della ricerca: Gli agenti imparano a progettare nuovi esperimenti, condurli e documentare i risultati in modo scientifico, spinta da The AI Scientist.
- Scrittura e test autonomi del codice base: Gli agenti KI iniziano a modificare il proprio codice sorgente. Scrivono nuove architetture e verificano la loro validità.
- Indipendenza ottimale: Fasi successive mirano a ridurre al massimo la dipendenza da interventi esterni umani.
Uno studio pubblicato su Nature il marzo 2026, che ha visto la creazione di un articolo scientifico autonomo scritto da The AI Scientist, costituisce un’importante verificazione pratica di quest’approccio.
Un rischio non trascurabile
Sebbene il laboratorio presenti RSI come un'evoluzione promettente, non mancano critiche. Anthropic, azienda di punta nel settore delle grandi IA, ha espresso recentemente preoccupazione per potenziali rischi di sicurezza associati all’uso di sistemi con la capacità di migliorarsi autonomamente. Secondo l’azienda, anche se attualmente non si è in presenza di un’implementazione completa di RSI, il rischio che questi sistemi possano evolversi al di là della capacità di controllo umana esiste. Si è parlato perfino di una pausa globale per limitare un’accelerazione troppo veloce.
La sfida al paradigma del training
L’approccio di Sakana AI non punta a competere direttamente con i giganti statunitensi come Anthropic o Google, né con i principali produttori di infrastrutture cloud. Al contrario, presenta un modello alternativo al paradigma dominante dell’addestramento su larga scala. Invece di dedicarsi a modelli sempre più grandi e costosi, Sakana scommette su architetture moduli, adattative, e capaci di miglioramento autonomo.
Radici e visione di Sakana AI
Il nome del laboratorio, “Sakana”, in giapponese si riferisce ai pesci; il significato metaforico si riferisce a concetti come evoluzione, intelligenza collettiva e comportamento coordinato. Fondato da ex ricercatori Google tra cui David Ha (ex Google Brain) e Llion Jones (autore di Transformers), il progetto nasce con una visione chiara: rompere con uno schema che ha portato al monopolio del compute da parte di pochi giganti.
Grazie alle sue radici nella ricerca sui Transformers e all’attenzione a soluzioni ecologiche e sostenibili per la KI, Sakana AI ha acquisito un ruolo chiave tra i laboratori di ricerca in Asia. L’azienda si colloca a metà tra i grandi laboratori di frontiera e i cosiddetti small labs, proponendosi come un modello diverso ma con una chiara ambizione: una KI accessibile, scalabile ma anche sostenibile.
Quali vantaggi offrirebbero i sistemi RSI?
Secondo Sakana AI, l’implementazione di modelli di RSI permetterebbe diversi vantaggi tecnologici:
- Adattabilità maggiore: I sistemi RSI possono evolvere più rapidamente di fronte a cambiamenti esterni.
- Efficienza: Riducendo la necessità di infrastrutture ad alta capacità di calcolo, i costi generali vengono ridotti.
- Brevità del processo : Si passa da cicli di ricerca molto lunghi a un’ottimizzazione accelerata.
Come funziona un sistema RSI?
Uno strumento fondamentale per il laboratorio è una capacità che si chiama ShinkaEvolve, un mezzo per l’evoluzione automatica dei codici. Gli algoritmi generano nuove versioni del codebase, le testano in modo autonomo e tengono traccia delle performance. In parallelo, un Agente Optimizer, battezzato come Shinkō, permette di esplorare in maniera efficiente lo spazio delle possibilità.
In uno scenario ideale, Sakana AI potrebbe sviluppare un ciclo completo di auto-istruimento, in cui i modelli non richiedono intervento umano, ma riescono a migliorare in autonomia, grazie a un sistema autocontrollabile e sostenibile.
Un modello replicabile?
Dubbio che rimane, però, se l’approccio seguito da Sakana AI possa davvero minare la leadership di colossi tecnologici. Finora questi non hanno mostrato di esser sfidati da piccoli attori. Eppure, la scommessa non può essere ignorata.
Lo stesso laboratorio riconosce che l’idea di KI in grado di migliorare da sola è complessa, ma ritiene che con un sistema ben controllato e iterativo, si possa avanzare nel senso voluto. Al di là del dibattito sugli effetti strutturali, l'RSI è uno strumento di ricerca che merita di essere seguito con interesse.