La domanda che non dovrebbe avere risposta
Può un sistema di AI costruire un'AI migliore di sé? In un loop che non si ferma mai? La risposta, oggi, è sì. E costa una singola GPU consumer.
La domanda l'ha posta 机器之心, il media AI cinese più seguito. La risposta arriva da un paper firmato Horizon Research e Tsinghua University. Frontis-MA1 è su arXiv, con codice e pesi aperti.
Il titolo dello studio dice tutto: Training an AI4AI Model towards Recursive Self-Improvement. Una macchina che migliora il processo di costruzione delle macchine. L'ingegneria del machine learning è il banco di prova.
Impara facendo, non leggendo
Il sistema si chiama OpenMLE. È una palestra per l'ingegneria dell'AI. Tre livelli: ambienti di task verificabili, apprendimento degli operatori, ricerca a lungo orizzonte.
Frontis-MA1 impara con quattro operatori atomici. Draft. Improve. Debug. Crossover. Scrive codice. Lo esegue. Lo corregge. Lo combina con altro codice. Fino a quando funziona. Il feedback arriva dall'ambiente di test, non da un umano.
È la differenza fra leggere di nuoto e nuotare. L'AI non impara dal testo. Impara dai risultati delle sue azioni. Apprendimento ed evoluzione sono accoppiati in un unico loop.
Non è talento. È sequenza. E la sequenza, ora, la impara la macchina.
Frontis-MA1: i numeri, senza abbellimenti
Il benchmark è MLE-Bench Lite. Il budget: dodici ore per task, una singola RTX 4090 limitata a 12 GB di VRAM.
| Setup | Medal Average |
|---|---|
| Modello base | 39,39% |
| Con OpenMLE-Evo | 60,61% |
| Con OpenMLE-Evo-Max | 71,21% |
Il risultato supera GPT-5.5 con Codex. Si avvicina a GPT-5.6 Sol e a Kimi K3 da 2,8 trilioni di parametri. Su una scheda consumer.
La prova che non è overfitting: su NatureBench Lite, un benchmark mai visto, il modello addestrato porta il Match-SOTA dal 50% al 70%. E i dati di training sono stati deduplicati contro i benchmark di valutazione.
Numeri dichiarati nel paper. Non ancora replicati da terzi. Ma la direzione è netta.
Il loop che costruisce il loop
Quattro verbi. Draft, Improve, Debug, Crossover. Sono gli stessi quattro verbi del loop di ogni ingegnere che costruisce AI. La macchina ha imparato il loop. E ora lo applica a se stessa.
La conseguenza è enorme. Fino a ieri l'intelligenza migliorava quando un vendor decideva di aggiornarla. Da oggi esiste un'architettura in cui l'intelligenza migliora se stessa. Il ritmo non lo decide più il calendario di un'azienda. Lo decide il loop.
E il loop gira su una GPU da scaffale.
Chi possiede il loop, possiede il futuro
Per questo la scelta di aprire tutto è storica. Pesi del modello e stack completo rilasciati. OpenMLE e OpenRSI sono pubblici. Chi vuole, può far girare un'AI che migliora se stessa dentro il proprio perimetro.
Il contrario è il rischio che abbiamo raccontato oggi con gli open weights: un'AI che si auto-migliora chiusa nei server di un vendor non è un servizio. È una dipendenza che si rafforza da sola. Il futuro non è un'API. È un modello che dorme nel tuo rack.
La visione Oraclum-X
La nostra tesi non cambia. Cambia il suo peso. Se l'intelligenza impara a costruire intelligenza, chi controlla l'ambiente controlla tutto. L'ambiente di apprendimento. I log. Le iterazioni. Il loop.
Aura Orchestrator esiste per questo: orchestra i modelli dentro la tua rete, sotto le tue regole. Anche quelli che migliorano se stessi. La stessa intelligenza. Il tuo loop.
La decisione
Fra un anno, la domanda non sarà più quale modello usare. Sarà dove farlo girare. Frontis-MA1 è il primo passo. Il loop è il prodotto. E la macchina che migliora se stessa non aspetta il permesso.
E nemmeno tu dovresti.