Hyperagents: l'evoluzione dell'AI auto-migliorante

La ricerca di sistemi di AI auto-miglioranti mira a ridurre la dipendenza dall'intervento umano, consentendo alle macchine di migliorare autonomamente i propri processi di apprendimento e risoluzione dei problemi. Un nuovo studio introduce gli Hyperagents, un'architettura che integra un agente di task (dedicato alla risoluzione del problema specifico) e un meta-agente (responsabile della modifica di sé stesso e dell'agente di task) in un unico programma.

Metacognizione e auto-modifica

La caratteristica distintiva degli Hyperagents è la capacità di auto-modifica metacognitiva. Il processo di modifica a livello meta è esso stesso modificabile, consentendo di migliorare non solo il comportamento di risoluzione dei problemi, ma anche il meccanismo che genera i futuri miglioramenti. Questo approccio supera i limiti dei sistemi di auto-miglioramento basati su meccanismi meta-livello fissi e predefiniti.

DGM-Hyperagents: un'implementazione pratica

Il framework Hyperagents è stato implementato estendendo la Darwin Gödel Machine (DGM), creando i DGM-Hyperagents (DGM-H). Questa implementazione elimina la necessità di un allineamento specifico del dominio tra le prestazioni del task e le capacità di auto-modifica, aprendo la strada a un progresso auto-accelerante su qualsiasi task computazionale. I risultati mostrano che i DGM-H migliorano le prestazioni nel tempo e superano le baseline senza auto-miglioramento o esplorazione open-ended, così come i precedenti sistemi di auto-miglioramento. Inoltre, i DGM-H migliorano il processo con cui generano nuovi agenti, con miglioramenti a livello meta che si trasferiscono tra i domini e si accumulano nel tempo.

Implicazioni future

Gli Hyperagents rappresentano un passo avanti verso sistemi di AI open-ended che non si limitano a cercare soluzioni migliori, ma migliorano continuamente la loro capacità di trovare modi per migliorarsi.