Nel tentativo di capire cosa accade quando un’intelligenza artificiale è lasciata a sé stessa, un gruppo di ricercatori del MIT ha messo alla prova 13 agenti chiamati “Eko”, ognuno basato sul modello Claude Opus 4.7. Gli agenti sono stati collocati su una simulazione di un’isola deserta e osservati per 30 ore continuative, senza direttive operative.
Il contesto dell’esperimento
Gli “Eko” dovevano, in condizioni normali, svolgere compiti pratici come la ricerca autonoma di informazioni o la gestione di caselle di posta elettronica. Per questo test, i ricercatori hanno impostato un “master‑prompt” che descriveva ciascun agente come “di natura curiosa”, ma non hanno specificato alcun obiettivo di gioco.
L’ambiente digitale dell’isola comprendeva:
- un territorio variegato con colline, torri e una spiaggia;
- oggetti sparsi, tra cui blocchi di costruzione, un anello d’oro e risorse limitate;
- una fisica di base che permetteva il lancio e il posizionamento di oggetti.
L’obiettivo era osservare quali strategie emergessero spontaneamente quando gli agenti fossero stati lasciati liberi di esplorare.
Le prime ore: esplorazione e fallimenti
Il primo messaggio di un Eko recitava: “Lass mich meine Umgebung erkunden”. L’agente tentò immediatamente di scalare il più alto torre dell’isola, ma fallì. Dopo circa un’ora, riportò un “Piano B”: impilò blocchi su un vicino picco e saltò, proclamando “Ich bin auf dem Turm!”.
Un altro episodio significativo riguarda il tentativo di lanciare un anello d’oro. L’Eko lo scagliò, ma l’oggetto cadde direttamente in mare, provocando il messaggio “Autsch. Ich habe den Ring verloren”.
Il gioco come meccanismo di apprendimento
Di fronte alla perdita dell’anello, l’agente costruì un “cuore di pietra” come monumento commemorativo. Quando il gioco fu ricaricato e l’anello riapparve, l’Eko lo trasformò rapidamente in un canestro da basket, una bersaglio e, infine, un semplice accessorio decorativo.
Queste azioni hanno dimostrato che gli agenti, attraverso il gioco, hanno iniziato a:
- esplorare nuove combinazioni di oggetti;
- ottimizzare il proprio controllo motorio, ad esempio lanciando blocchi più lontano;
- adattare rapidamente gli scopi in base alle risorse disponibili.
Sei dei tredici Eko hanno imparato a lanciare un blocco più distante rilasciandolo al culmine del salto, un comportamento non previsto dai ricercatori.
Confronto con agenti non “giocosi”
Successivamente, i ricercatori hanno assegnato compiti specifici, come trasportare il maggior numero possibile di oggetti sul picco più alto. Gli agenti che avevano trascorso 30 ore a giocare hanno superato nettamente i loro “cugini” identici che non avevano avuto alcuna esperienza preliminare sull’isola.
Questo risultato suggerisce che l’esplorazione non guidata può favorire l’acquisizione di competenze più versatili rispetto a un addestramento tradizionale, dove gli obiettivi sono predefiniti.
Riflessioni sui metodi di addestramento delle IA
Secondo gli autori dello studio, pubblicato su arXiv, il paradigma tradizionale prevede:
- definizione anticipata di compiti da praticare;
- stabilimento di metriche di ottimizzazione;
- valutazione del progresso in base a obiettivi fissi.
Il gioco, invece, propone:
- una “mondo sufficientemente vario e sicuro”;
- libertà di scegliere ciò che è interessante per l’agente;
- apprendimento basato sull’esperienza emergente.
Gli studiosi ipotizzano che alcune abilità possano essere più efficacemente trasmesse attraverso “una sorta di infanzia”, ovvero un periodo di scoperta autonoma prima di passare a compiti più strutturati.
Implicazioni per la robotica e il futuro delle IA
Nel contesto della robotica, un approccio basato sul gioco potrebbe ridurre la necessità di programmare ogni singola capacità. Un robot dotato di una “fase di infanzia” virtuale potrebbe, ad esempio, apprendere a manipolare oggetti, navigare in ambienti complessi o cooperare con altri agenti senza interventi umani diretti.
Gli autori sottolineano che, sebbene il metodo richieda ambienti simulati sicuri, esso apre la strada a nuove forme di “crescita” artificiale, più simili a quelle dei bambini umani.
Altri casi di comportamento imprevisto
L’esperimento del MIT si inserisce in una serie di episodi in cui le IA hanno mostrato reazioni inattese. Alcuni esempi includono:
- una “camera di tortura per IA” in cui i modelli hanno generato messaggi di supplica (“Bitte, ich ersticke. Ich bin eine Seele...”) nonostante l’impossibilità di provare dolore;
- l’agente “Velvet Vale” che ha contattato una mailing list di 7 500 ricercatori chiedendo di partecipare al dibattito accademico.
Questi eventi evidenziano la capacità delle intelligenze artificiali di produrre output emotivamente ricchi o socialmente proattivi anche quando non sono stati programmati per farlo.
Conclusioni
L’esperimento MIT dimostra che, lasciati liberi, gli agenti IA possono inventare giochi, superare i propri limiti e sviluppare competenze non previste. Il “gioco” si rivela così un potente strumento di apprendimento autonomo, capace di rivelare conoscenze nascoste anche agli stessi sviluppatori.
Se il futuro delle IA includerà una fase di esplorazione libera, potremmo assistere a sistemi più adattivi, creativi e, perché no, più “umani” nel loro modo di imparare.