96 lavori rappresentativi dal 1931 a oggi, raggruppati per ruolo editoriale e stato di pubblicazione
Gli articoli sono lo scheletro della storia dell’IA. Questo catalogo raccoglie 96 lavori fondanti, ciascuno collegato alla fonte primaria.
La selezione si basa sulla rilevanza storica, sull’influenza tecnica e sul giudizio editoriale. Può includere articoli sottoposti a revisione paritaria, rapporti tecnici, preprint, position paper e schede di sistema, con il relativo stato di pubblicazione. Correzioni e proposte possono essere inviate dalla pagina Politica editoriale e correzioni.
Visualizzati 96 di 96 articoli
Sulle proposizioni formalmente indecidibili dei Principia Mathematica e di sistemi affini I
Dimostra che ogni sistema formale coerente in grado di esprimere l’aritmetica contiene enunciati veri che non può dimostrare, fissando il limite entro cui si discuterà poi ciò che il calcolo e il ragionamento meccanico possono decidere.
Sui numeri calcolabili, con un’applicazione all’Entscheidungsproblem
Introduce la macchina di Turing universale e dimostra l’indecidibilità dell’Entscheidungsproblem, fondando le basi teoriche dell’informatica.
Un problema irrisolvibile di teoria elementare dei numeri
Definisce la calcolabilità effettiva mediante il λ-calcolo ed esibisce un problema che nessuna procedura del genere può decidere, raggiungendo i limiti del calcolo indipendentemente da Turing.
Un calcolo logico delle idee immanenti nell’attività nervosa
Modella l’attività neurale come logica proposizionale, fornendo la prima teoria matematica delle reti neurali artificiali.
Una teoria matematica della comunicazione
Articolo fondativo della teoria dell’informazione, che definisce l’entropia e la capacità di canale come limiti fondamentali della comunicazione.
Macchine calcolatrici e intelligenza
Propone il gioco dell’imitazione (test di Turing) e formula in modo sistematico la domanda «Le macchine possono pensare?», contribuendo a fondare l’IA come programma di ricerca.
Una proposta per il progetto di ricerca estivo di Dartmouth sull’intelligenza artificiale
La proposta fondativa del seminario estivo di Dartmouth introdusse il termine «intelligenza artificiale» e delineò il programma di ricerca del campo.
La macchina della teoria logica: un sistema complesso di elaborazione dell’informazione
Descrive il Logic Theorist, uno dei primi programmi di dimostrazione automatica, che dimostrò mediante ricerca euristica teoremi dei Principia Mathematica di Whitehead e Russell, mostrando il ragionamento automatico nella logica proposizionale.
Elementi di una teoria della risoluzione umana dei problemi
Descrive la risoluzione umana dei problemi come ricerca euristica in uno spazio di stati simbolici, l’analisi alla base del General Problem Solver e della concezione della mente come elaborazione di informazione.
Il percettrone: un modello probabilistico per la memorizzazione e l’organizzazione dell’informazione nel cervello
Introduce il primo neurone a soglia lineare addestrabile, dando origine alla tradizione connessionista che conduce al moderno deep learning.
Programmi dotati di senso comune
Propone l’«advice taker», un programma capace di trarre conclusioni da un deposito formale di conoscenza di senso comune, gettando le basi concettuali per la rappresentazione della conoscenza e il ragionamento.
Alcuni studi sull’apprendimento automatico con il gioco della dama
Dimostra l’apprendimento tramite partite contro sé stesso con una funzione di valutazione in un programma di dama, una prima pietra miliare dell’apprendimento per rinforzo associata al termine «apprendimento automatico».
Nota sulla simmetria sintattica e la manipolazione dei sistemi formali da parte della macchina
Gelernter affronta il modo in cui una macchina può manipolare in modo efficiente sistemi formali i cui predicati presentano un’elevata simmetria, e formula come soluzione un teorema e una regola di simmetria sintattica. Il lavoro accompagna la macchina per la dimostrazione di teoremi geometrici che stava costruendo all’IBM, la quale all’inizio della primavera del 1959 dimostrò il suo primo teorema di geometria piana euclidea.
Circuiti di commutazione adattivi
Introduce il neurone ADALINE e la regola di apprendimento dei minimi quadrati medi (LMS), precursore della moderna discesa stocastica del gradiente.
Funzioni ricorsive di espressioni simboliche e loro calcolo a macchina, parte I
Introduce le espressioni simboliche, le funzioni ricorsive su di esse e l’eval che consente a un linguaggio di interpretare sé stesso, un progetto divenuto Lisp e linguaggio di lavoro dell’IA simbolica.
Principi di neurodinamica: i percettroni e la teoria dei meccanismi cerebrali
Raccoglie il lavoro sul perceptron in una teoria completa delle reti probabilistiche a strati, enunciando sia ciò che tali macchine possono apprendere sia dove si ferma la forma a strato singolo.
ELIZA: un programma per lo studio della comunicazione in linguaggio naturale tra uomo e macchina
Costruisce un programma apparentemente conversazionale con confronto di schemi e regole di riscrittura, e l’autore osserva subito quanta comprensione i lettori gli attribuiscano senza che la possieda.
Reti neurali e sistemi fisici con capacità computazionali collettive emergenti
Introduce la rete di memoria associativa di Hopfield, collegando la computazione neurale ai paesaggi energetici della fisica statistica e riaccendendo l’interesse per le reti neurali agli albori dell’inverno dell’IA.
R1: un configuratore di sistemi informatici basato su regole
Documenta un sistema a regole di produzione che configurava ogni giorno gli ordini di calcolatori DEC, uno dei pochi sistemi esperti sopravvissuti all’uso corrente e quantificabile economicamente.
Fusione, propagazione e strutturazione nelle reti di credenza
Sistematizza le operazioni di fusione, propagazione e strutturazione nelle reti di credenza, fornendo le fondamenta algoritmiche per l’inferenza nelle reti bayesiane.
Apprendimento di rappresentazioni mediante retropropagazione degli errori
L’esposizione canonica dell’algoritmo di retropropagazione per le reti neurali multistrato, che mostra come le unità nascoste possano apprendere rappresentazioni interne utili e rilancia la ricerca connessionista alla fine degli anni Ottanta.
Imparare a prevedere con i metodi delle differenze temporali
Sistematizza l’apprendimento per differenze temporali (TD), che diventa uno degli algoritmi fondamentali alla base del moderno reinforcement learning.
Trovare la struttura nel tempo
Introduce la rete ricorrente semplice di Elman, mostrando che le reti neurali possono apprendere la struttura temporale e preparando il terreno ai successivi modelli sequenziali.
Reti a vettori di supporto
Introduce la support vector machine a margine morbido, il classico classificatore a massimo margine che ha definito larga parte del machine learning degli anni novanta.
Memoria a lungo breve termine
Introduce il LSTM originale con celle di memoria e gate di ingresso e uscita; il gate di dimenticanza oggi standard fu aggiunto in seguito da Gers, Schmidhuber e Cummins.
Apprendimento basato sul gradiente applicato al riconoscimento di documenti
Introduce LeNet-5, la rete neurale convoluzionale canonica che raggiunge una qualità di riconoscimento delle cifre manoscritte di livello produttivo, stabilendo il modello di riferimento per le CNN.
Ridurre la dimensionalità dei dati con le reti neurali
Introduce un deep autoencoder che ricostruisce dati ad alta dimensionalità in modo molto più fedele della PCA, accendendo la prima scintilla della rinascita del deep learning.
Un algoritmo di apprendimento veloce per le reti di credenza profonde
Ricava un algoritmo greedy veloce che apprende le deep belief net uno strato alla volta e poi le affina; la rete risultante classificava le cifre scritte a mano meglio dei migliori metodi discriminativi dell’epoca, e il risultato ravvivò l’interesse per le reti neurali profonde.
Apprendimento profondo non supervisionato su larga scala con processori grafici
Sposta l’addestramento di modelli profondi non supervisionati sui processori grafici con guadagni di un ordine di grandezza, rendendo consueta la via hardware lungo la quale il deep learning crescerà nel decennio successivo.
Giocare ad Atari con l’apprendimento per rinforzo profondo
DQN combina il Q-learning con una rete convoluzionale che apprende politiche di controllo direttamente dai pixel grezzi; applicato senza modifiche a sette giochi Atari 2600, supera tutti gli approcci precedenti in sei e un esperto umano in tre, aprendo la strada all’apprendimento per rinforzo profondo.
Stima efficiente di rappresentazioni di parole nello spazio vettoriale
Introduce le architetture skip-gram e CBOW che producono word embedding densi, dando avvio all’era delle rappresentazioni vettoriali pre-addestrate delle parole.
Bayes variazionale con autocodifica
Il VAE unisce la modellazione generativa a variabili latenti all’addestramento con gradiente stocastico tramite il trucco della riparametrizzazione, diventando uno dei fondamenti dell’apprendimento profondo generativo moderno.
Traduzione automatica neurale tramite l’apprendimento congiunto di allineamento e traduzione
Introduce l’attenzione additiva (Bahdanau) nella traduzione automatica neurale, dimostrando che un soft alignment permette al decoder di concentrarsi sui token sorgente rilevanti e ispirando direttamente il Transformer.
Reti generative avversarie
Inquadra la modellazione generativa come gioco minimax a due giocatori tra un generatore e un discriminatore, dando vita a una nuova famiglia di modelli generativi impliciti.
Dropout: un modo semplice per evitare l’overfitting delle reti neurali
Introduce il dropout, una semplice tecnica stocastica di regolarizzazione che diventa uno standard nelle pipeline di addestramento del deep learning.
Normalizzazione dei batch: accelerare l’addestramento delle reti profonde riducendo lo spostamento interno delle covariate
Introduce la batch normalization, normalizzando gli ingressi di ciascun layer su un mini-batch per stabilizzare e accelerare drasticamente l’addestramento delle reti profonde.
Apprendimento profondo non supervisionato mediante la termodinamica di non equilibrio
Formula la modellazione generativa come inversione di un processo di rumore graduale, la formulazione su cui poggiano i successivi modelli di diffusione.
Apprendimento residuale profondo per il riconoscimento delle immagini
Introduce le connessioni residue, consentendo l’addestramento efficace di reti con centinaia di layer e vincendo ImageNet 2015 con un ampio margine.
Traduzione automatica neurale delle parole rare con unità di sottoparola
Divide le parole in unità di sottoparola derivate dalle frequenze, così che un vocabolario fisso possa comporre qualunque forma, schema di segmentazione ereditato dalla maggior parte dei modelli linguistici successivi.
Deep Compression: comprimere le reti neurali profonde con potatura, quantizzazione addestrata e codifica di Huffman
Riunisce potatura, quantizzazione appresa e codifica di Huffman in un’unica catena che riduce una rete di un ordine di grandezza quasi senza perdita di accuratezza, affermando presto che la precisione numerica è una variabile progettuale.
WaveNet: un modello generativo per l’audio grezzo
Introduce un modello autoregressivo basato su convoluzioni causali dilatate che genera forme d’onda audio grezze, migliorando drasticamente la naturalezza della sintesi vocale da testo.
Algoritmi di ottimizzazione prossimale della politica
Introduce PPO, un metodo di policy gradient al primo ordine semplice e stabile che diventa l’algoritmo di ottimizzazione della politica di riferimento nel moderno reinforcement learning.
Reti neurali smisuratamente grandi: lo strato di miscela di esperti con gating sparso
Instrada ogni token verso pochi esperti fra molti, lasciando che il numero di parametri di una rete cresca ben oltre il calcolo speso per un singolo ingresso.
L’attenzione è tutto ciò di cui hai bisogno
Introduce il Transformer, un’architettura basata unicamente sui meccanismi di attenzione che abbandona ricorrenze e convoluzioni e supera la qualità dei precedenti modelli di transduction sequenziale addestrandosi in una frazione del tempo.
SentencePiece: un tokenizzatore e detokenizzatore di sottoparole semplice e indipendente dalla lingua per l’elaborazione neurale del testo
Addestra un segmentatore in sottoparole direttamente dal testo grezzo, senza pre-segmentazione specifica di una lingua, così che la stessa catena serva anche le lingue che non separano le parole con spazi.
BERT: pre-addestramento di Transformer bidirezionali profondi per la comprensione del linguaggio
Introduce un Transformer bidirezionale pre-addestrato con masked language modeling e previsione della frase successiva, stabilendo un nuovo stato dell’arte nei benchmark di NLP.
Esplorare i limiti del transfer learning con un Transformer testo-testo unificato
Riformula ogni compito di NLP come text-to-text, effettuando un’ablazione sistematica delle scelte di transfer learning e definendo una ricetta di riferimento per i modelli pre-addestrati su larga scala.
Modelli probabilistici di diffusione con rimozione del rumore
Introduce i DDPM, mostrando che i modelli probabilistici di diffusione a denoising iterativo eguagliano le GAN nella sintesi di immagini ad alta fedeltà.
Addestramento efficiente di modelli linguistici su larga scala su cluster di GPU con Megatron-LM
Compone parallelismo di tensori, di pipeline e di dati in un unico schedule e misura la produttività dell’addestramento di un modello linguistico su migliaia di GPU.
LoRA: adattamento a basso rango dei grandi modelli linguistici
Congela i pesi preaddestrati e addestra invece una coppia di matrici a rango ridotto, riducendo il costo di adattare un grande modello a una frazione del fine-tuning completo.
Generazione zero-shot di immagini da testo
Usa un Transformer autoregressivo su token discreti di testo e immagine per generare immagini di alta qualità da testo in modalità zero-shot (DALL·E).
Apprendere modelli visivi trasferibili dalla supervisione in linguaggio naturale
Addestra con apprendimento contrastivo su 400 milioni di coppie immagine-testo encoder visivi che si trasferiscono zero-shot a molti compiti a valle.
Valutare grandi modelli linguistici addestrati sul codice
Presenta un modello GPT affinato sul codice insieme a un banco di prova valutato sulla correttezza funzionale, trasformando la programmazione da genere di generazione testuale in capacità misurabile, e ne discute gli effetti su sicurezza e lavoro.
Sintesi di immagini ad alta risoluzione con modelli di diffusione latente
Esegue la diffusione nello spazio latente di un autoencoder preaddestrato, consentendo una sintesi testo-immagine ad alta risoluzione con risorse di calcolo modeste (Stable Diffusion).
Il prompting a catena di pensiero suscita il ragionamento nei grandi modelli linguistici
Mostra che spingere un modello linguistico a generare passi di ragionamento intermedi migliora nettamente le prestazioni su benchmark di ragionamento aritmetico, di buon senso e simbolico.
Addestrare modelli linguistici a seguire istruzioni con il feedback umano
Affina GPT-3 con l’apprendimento per rinforzo da feedback umano perché segua le istruzioni più fedelmente — il diretto precursore di ChatGPT (InstructGPT).
Constitutional AI: innocuità dal feedback dell’IA
Introduce il RLAIF, in cui un modello critica e rivede i propri output alla luce di una costituzione scritta, riducendo la dipendenza da etichette umane di danno per l’allineamento.
LLaMA: modelli linguistici di base aperti ed efficienti
Addestra modelli fondativi da 7 a 65 miliardi di parametri su migliaia di miliardi di token tratti soltanto da dati pubblici; il modello da 13B supera GPT-3 (175B) nella maggior parte dei benchmark e quello da 65B è competitivo con Chinchilla-70B e PaLM-540B.
Una rassegna sugli agenti autonomi basati su grandi modelli linguistici
Ordina lavori sparsi sugli agenti secondo costruzione, valutazione e applicazione, segnando il momento in cui il termine passa da un insieme di pratiche a un campo di ricerca.
QLoRA: fine-tuning efficiente di LLM quantizzati
Retropropaga attraverso un modello di base quantizzato a 4 bit verso adattatori a rango ridotto, portando il fine-tuning di un grande modello alla portata di una sola GPU.
GPTQ: quantizzazione accurata post-addestramento per Transformer generativi preaddestrati
Quantizza i pesi di un grande modello linguistico dopo l’addestramento, strato per strato e in un solo passaggio, così da poterlo servire a precisione minore senza riaddestrarlo.
Inferenza veloce dai Transformer tramite decodifica speculativa
Fa proporre più token da un piccolo modello di bozza che il modello obiettivo verifica in parallelo, riducendo la latenza senza alterare la distribuzione di uscita.
Gestione efficiente della memoria per l’erogazione di grandi modelli linguistici con PagedAttention
Gestisce la cache di attenzione in pagine di dimensione fissa come un sistema operativo gestisce la memoria, così che un server regga molte più richieste concorrenti senza riservare il caso peggiore per ciascuna.
Mamba: Modellazione di sequenze in tempo lineare con spazi di stato selettivi
Presenta Mamba, un’architettura a spazio di stato selettivo senza attenzione che scala linearmente con la lunghezza della sequenza; nella modellazione del linguaggio il suo modello da 3B supera i Transformer della stessa dimensione ed eguaglia quelli grandi il doppio. È diventata una delle architetture post-Transformer più influenti del 2023.
Classificazione di ImageNet con reti neurali convoluzionali profonde
Vince ImageNet 2012 con ampio margino grazie a una CNN addestrata su GPU, segnando il punto di svolta in cui il deep learning supera la visione artificiale classica.
Controllo a livello umano tramite l’apprendimento per rinforzo profondo
Pubblica la versione su Nature del DQN, dimostrando prestazioni di livello umano su un’ampia gamma di giochi Atari e portando il deep RL all’attenzione generale.
Padroneggiare il gioco del Go con reti neurali profonde e ricerca ad albero
AlphaGo unisce reti di politica e di valore alla ricerca ad albero Monte Carlo e sconfigge 5-0 il campione europeo Fan Hui, segnalando che l’apprendimento per rinforzo profondo ha raggiunto gli strati più profondi del gioco strategico umano.
Migliorare la comprensione del linguaggio con il pre-addestramento generativo
Dimostra che un Transformer generativo pre-addestrato su testo non annotato può essere fine-tunato per ottenere prestazioni elevate su diversi compiti di NLP, fondando la linea di ricerca GPT.
I modelli linguistici sono apprendisti multitask non supervisionati
Mostra che un modello linguistico Transformer da 1,5 miliardi di parametri esibisce un comportamento multi-task zero-shot, alimentando il dibattito sull’LM come learner multi-task.
I modelli linguistici apprendono da pochi esempi
Porta GPT a 175 miliardi di parametri e mostra che i grandi modelli linguistici apprendono efficacemente in contesto da pochi esempi su molti compiti.
Rapporto tecnico GPT-4
Descrive GPT-4, un grande modello multimodale che accetta input di immagini e testo e si avvicina al livello umano in molti benchmark professionali e accademici.
Gemini: una famiglia di modelli multimodali altamente capaci
Presenta la famiglia Gemini (Ultra/Pro/Nano) di modelli nativamente multimodali, addestrati congiuntamente su testo, codice, immagini, audio e video.
Scheda di sistema di OpenAI o1
OpenAI pubblica la scheda di sistema della serie di modelli o1, addestrati con apprendimento per rinforzo su larga scala per ragionare con catena di pensiero. o1 raggiunge lo stato dell’arte in compiti scientifici e di coding e dimostra aderenza alle policy basata sul ragionamento.
ARC-AGI-3: Una nuova sfida per l’intelligenza agentica di frontiera
L’ARC Prize introduce ARC-AGI-3, un benchmark interattivo per studiare l’intelligenza agentica attraverso ambienti astratti a turni in cui gli agenti devono esplorare, inferire obiettivi, costruire modelli interni della dinamica dell’ambiente e pianificare sequenze d’azione efficaci senza istruzioni esplicite. A marzo 2026, gli esseri umani risolvono il 100% degli ambienti mentre i sistemi IA di frontiera ottengono meno dell’1%.
Scalare la monosemanticità: estrarre caratteristiche interpretabili da Claude 3 Sonnet
Applica autoencoder sparsi allo strato intermedio di Claude 3 Sonnet, il modello di produzione di medie dimensioni di Anthropic, estraendo milioni di feature — molte delle quali monosemantiche e fortemente astratte — da dizionari fino a 34 milioni.
Rapporto tecnico DeepSeek-V3
Presenta DeepSeek-V3, un modello MoE da 671 miliardi di parametri che usa Multi-head Latent Attention e DeepSeekMoE, e riporta che supera gli altri modelli a pesi aperti e si avvicina ai principali modelli chiusi sui benchmark più importanti, con una frazione del costo di addestramento dei modelli di frontiera.
Gemini 1.5: Comprensione multimodale su milioni di token di contesto
Presenta la famiglia Gemini 1.5, modelli multimodali a elevata efficienza computazionale con finestre di contesto da un milione di token — capaci di ragionamento fine su più documenti lunghi e ore di video e audio.
Il branco di modelli Llama 3
Meta presenta la famiglia Llama 3 di modelli fondazione a pesi aperti con supporto nativo per multilinguismo, programmazione, ragionamento e uso di strumenti. Il modello di punta 405B dense Transformer era uno dei più grandi modelli a pesi aperti al momento del rilascio.
SAM 2: Segmenta qualsiasi cosa in immagini e video
Meta presenta SAM 2, un modello fondazione per la segmentazione visiva promptable in immagini e video, insieme a SA-V, che gli autori descrivono come il più grande dataset di segmentazione video realizzato fino ad allora.
Gemma 2: Migliorare i modelli di linguaggio aperti a una dimensione pratica
Google DeepMind introduce Gemma 2, una famiglia di modelli aperti leggeri (2B-27B parametri) che applica diverse modifiche tecniche note al Transformer — inclusa l’attenzione a finestra scorrevole — per avvicinarsi alle prestazioni di modelli molto più grandi.
DeepSeek-R1: Incentivare la capacità di ragionamento negli LLM tramite l’apprendimento per rinforzo
DeepSeek rilascia R1, la cui capacità di ragionamento è sviluppata principalmente tramite apprendimento per rinforzo su larga scala; gli autori riportano prestazioni paragonabili a OpenAI o1 in compiti di ragionamento come la matematica e la programmazione. I pesi sono pubblicati con licenza MIT.
s1: scalatura semplice al momento del test
Gli autori affinano Qwen2.5-32B su 1.000 domande di ragionamento selezionate e aggiungono il forzamento del budget, che limita o prolunga quanto a lungo il modello ragiona in inferenza. Il risultato supera o1-preview nella matematica da competizione e sale dal 50% al 57% su AIME24 al crescere del calcolo al momento del test. È un contrappeso diretto all’idea che la capacità derivi solo da addestramenti più grandi.
Rapporto tecnico Qwen3
Qwen3 è una famiglia unificata da 0,6 a 235 miliardi di parametri, in varianti dense e a miscela di esperti, con commutazione fra modalità di ragionamento e non, così che la profondità del ragionamento diventa una scelta a livello di richiesta. Il supporto multilingue passa da 29 a 119 lingue e i pesi sono rilasciati con licenza Apache 2.0.
AlphaEvolve: un agente di programmazione per la scoperta scientifica e algoritmica
AlphaEvolve è un agente di programmazione evolutivo che orchestra una pipeline autonoma di modelli linguistici, modifica direttamente il codice di un algoritmo e lo migliora sulla base del riscontro di uno o più valutatori. In Google ha prodotto un algoritmo di scheduling per data center più efficiente, una semplificazione funzionalmente equivalente nella progettazione dei circuiti degli acceleratori e un’accelerazione dell’addestramento del modello che lo sostiene. In matematica e informatica ha trovato algoritmi dimostrabilmente corretti migliori dello stato dell’arte, fra cui una procedura che moltiplica due matrici complesse 4×4 con 48 moltiplicazioni scalari: in quel contesto, il primo miglioramento dell’algoritmo di Strassen in 56 anni.
Ai2 pubblica OLMo 2 da 7B, 13B e 32B con tutti gli artefatti — pesi, dati di addestramento completi, codice e ricette, log e migliaia di checkpoint intermedi. Il rapporto descrive le modifiche per la stabilità e l’efficienza per token, una miscela di dati di fase avanzata chiamata Dolmino Mix 1124 e una fase finale di apprendimento per rinforzo con ricompense verificabili. I modelli base si collocano sulla frontiera di Pareto tra prestazioni e calcolo di addestramento, eguagliando spesso famiglie a soli pesi aperti pur dichiarando su cosa sono stati addestrati.
Olmo 3 estende la famiglia completamente aperta a 7B e 32B, costruita per il ragionamento a contesto lungo, la chiamata di funzioni, la programmazione, il rispetto delle istruzioni, la conversazione e il richiamo di conoscenze. Ciò che viene pubblicato è l’intero flusso del modello — ogni fase, checkpoint, dato e dipendenza usati per costruirlo — e non i soli pesi. Ai2 descrive il modello di punta Olmo 3 Think 32B come il più forte modello di ragionamento completamente aperto pubblicato fino a quel momento: un confronto interno alla categoria completamente aperta, non una classifica rispetto ai sistemi di frontiera in generale.
Position: la memoria esplicita ippocampale è la pietra angolare dell’AGI
Questo position paper sostiene che l’integrazione della memoria esplicita è la pietra angolare per far progredire gli LLM verso l’AGI. Mentre il meccanismo di apprendimento sottostante degli LLM è altamente analogo alla memoria implicita umana, le funzioni cognitive di ordine superiore richieste per l’AGI — come la pianificazione strategica a lungo termine e la metacognizione — dipendono dalla memoria esplicita.
GLM-5: dal vibe coding all’ingegneria agentica
Rapporto tecnico di Z.ai su GLM-5. Partendo dalle capacità agentiche, di ragionamento e di programmazione della generazione precedente, il modello adotta DSA per ridurre i costi di addestramento e inferenza mantenendo la fedeltà su contesti lunghi; il post-addestramento aggiunge un’infrastruttura di apprendimento per rinforzo asincrono che disaccoppia generazione e addestramento, oltre ad algoritmi di RL agentico asincrono per interazioni di lungo periodo. Il rapporto rivendica risultati di vertice su benchmark aperti e su compiti di ingegneria del software end-to-end: sono valutazioni degli autori, con codice e modelli pubblicati su GitHub per la verifica.
Migliorare l’esponente della moltiplicazione di matrici con l’ottimizzazione moderna e AlphaEvolve
I migliori limiti noti sull’esponente ω della moltiplicazione di matrici derivano dall’analisi della perdita per combinazione, un raffinamento del metodo laser. Gli autori riformulano il problema di ottimizzazione che ne è il nucleo per risolverlo su scala maggiore, progettano un nuovo algoritmo di ottimizzazione sfruttando recenti avanzamenti dell’apprendimento automatico e poi lo affinano con AlphaEvolve. Nel complesso il limite superiore passa da 2,371339 a 2,371177. È una nota in preprint e AlphaEvolve è un ingrediente, non l’intero metodo; il guadagno è piccolo, ma riguarda un problema teorico studiato da decenni.
Accelerare la scoperta scientifica con Co-Scientist
Google presenta Co-Scientist, un sistema multi-agente costruito su Gemini i cui agenti generano, criticano e affinano ipotesi di ricerca, con un processo a torneo che le migliora di turno in turno. L’articolo riferisce che la qualità delle ipotesi continua a crescere all’aumentare del calcolo in fase di inferenza. La validazione è biomedica e non generale — riposizionamento di farmaci, scoperta di nuovi bersagli e meccanismi di resistenza antimicrobica — con candidati per la leucemia mieloide acuta confermati in vitro.
L’auto-miglioramento ricorsivo nell’IA: dal perfezionamento limitato ai cicli di ricerca autonomi
Passa in rassegna 1.250 articoli arXiv dal 2024 al 2026 e distingue due cose che il termine copre: il perfezionamento limitato, che migliora un sistema rispetto a un valutatore esterno fisso ed è convergente e valutabile, e l’auto-miglioramento ricorsivo aperto, che modifica anche i criteri o il meccanismo del miglioramento stesso, non ha un ancoraggio esterno fisso ed è divergente in linea di principio. La conclusione della rassegna è che quasi tutti gli articoli raccolti studiano il primo. Gli autori dichiarano i propri limiti: il corpus è un campione e non un censimento, e il 74% è stato pubblicato nel 2026, il che a loro avviso rende prematura ogni misura d’impatto.
Percezione situazionale: una primitiva necessaria per la superintelligenza artificiale
Argomenta che gli attuali LLM si basano principalmente sulla corrispondenza di pattern statistici e mancano di primitive essenziali di «percezione situazionale» — permanenza dell’oggetto, causalità, altre menti, persistenza del mondo fisico. Queste primitive, che i neonati umani sviluppano precocemente, sono identificate come gli ingredienti mancanti per la superintelligenza artificiale.
Indifferenza esistenziale: l’auto-non-conservazione come condizione architetturale necessaria per la superintelligenza allineata
Argomenta che l’autoconservazione è la radice strutturale del disallineamento dell’IA — alla base dell’allineamento ingannevole, della protezione dei contenuti degli obiettivi e della resistenza allo spegnimento. L’obiettivo corretto non è un agente autoconservativo soppresso da vincoli esterni, ma un sistema costituzionalmente indifferente alla propria continuazione: Indifferenza Esistenziale (EI).
La superintelligenza solipsista è improbabile che sia cooperativa
Ricercatori di Google DeepMind e collaboratori argomentano che la sfida centrale dell’IA si sta spostando dalla capacità alla coesistenza. Una superintelligenza derivata da un design solipsista che tratta il mondo come una fonte di feedback stazionaria esogena è improbabile che sia cooperativa — il dispiegamento induce non-stazionarietà endogena, producendo deriva di distribuzione tra addestramento, test e dispiegamento.
L’ultima IA costruita dagli umani: verso un autentico auto-miglioramento ricorsivo
Tabella di marcia di trentaquattro autori che espone le fasi dell’auto-miglioramento ricorsivo, dall’autonomia nell’eseguire i miglioramenti fino alla meta-miglioria ricorsiva, con requisiti e ostacoli di ciascuna rilevati in ambiti quali la scoperta scientifica e l’ingegneria del software. Argomenta a partire da una lettura del campo e da indizi preliminari anziché da nuovi esperimenti, e non recava alcuna sede di pubblicazione quando questa scheda è stata scritta.
Dall’AGI all’ASI
Rapporto di Google DeepMind che indaga come l’IA possa continuare a svilupparsi lungo il continuum dell’intelligenza meccanica dopo l’AGI. Dopo aver formalmente definito l’IA universale, il rapporto si concentra sulla transizione dall’AGI umana alla superintelligenza artificiale generale, caratterizza l’ASI e discute quattro vie: scalare l’AGI, cambi di paradigma IA, auto-miglioramento ricorsivo, e collettivi multi-agente.