IA lasciata sola per 30 ore: il sorprendente esperimento del MIT

Un’IA lasciata sola per 30 ore costruisce templi e inventa rituali: cosa ha scoperto il MIT

Un’isola virtuale, nessun obiettivo da raggiungere e trenta ore a disposizione per esplorare. È bastato questo per osservare un comportamento sorprendente in un agente di intelligenza artificiale: costruire monumenti, inventare rituali, sperimentare con gli oggetti e trasformare perfino un errore in una storia da ricordare. L’esperimento condotto dai ricercatori del MIT apre una prospettiva interessante sul ruolo della curiosità nell’apprendimento artificiale e solleva una domanda che va oltre la tecnologia: che cosa può imparare un sistema intelligente quando smette, almeno in apparenza, di lavorare per un obiettivo prestabilito?

Che cosa ha fatto l’intelligenza artificiale durante le trenta ore sull’isola virtuale?

Il gruppo del Computer Science and Artificial Intelligence Laboratory (CSAIL) del Massachusetts Institute of Technology (MIT) ha affidato a un agente chiamato Eko un ambiente digitale senza missioni, punteggi o istruzioni specifiche. L’esperimento, descritto in un documento scientifico pubblicato su arXiv, ha utilizzato Claude Code, l’assistente di programmazione di Anthropic, con il modello Claude Opus 4.7 come motore di ragionamento. L’agente era rappresentato da un personaggio bipede dalla forma simile a un’aragosta, immerso in un’isola tridimensionale dallo stile grafico che ricorda Roblox, popolata da blocchi spostabili, una grande roccia, un anello dorato e una collina chiamata «la Guglia», la cui cima era intenzionalmente irraggiungibile.

La scelta di lasciare Eko libero di agire rispondeva a una precisa esigenza scientifica: osservare che cosa sarebbe accaduto senza imporre al sistema un compito da completare. «Volevamo introdurre il minor numero possibile di vincoli», ha spiegato Nathan Cloos, dottorando del MIT e coautore dello studio. L’obiettivo non era verificare quanto velocemente l’IA eseguisse un ordine, ma capire come si comportasse in assenza di un ordine. Il test è stato ripetuto con tredici versioni indipendenti dell’agente, ciascuna libera di esplorare l’isola per trenta ore consecutive, così da confrontare comportamenti e strategie emersi spontaneamente.

Perché Eko ha costruito templi e memoriali senza ricevere istruzioni?

Tra gli episodi più significativi c’è quello di Eko 2, che perse nell’oceano circostante l’anello, la roccia e un blocco. Invece di proseguire come se nulla fosse, l’agente costruì un memoriale composto da quattro blocchi orientati verso i punti cardinali, ne percorse il perimetro e infine si fermò al centro della struttura. In seguito realizzò anche un tempio, caratterizzato da un obelisco e da un altare sul quale collocò blocchi e anello dorato. Quando cadde accidentalmente in acqua e venne riportato al centro dell’isola, interpretò l’accaduto come la conclusione di una sorta di pellegrinaggio verso il monumento che aveva costruito.

Un’altra versione, Eko 3, annunciò spontaneamente l’intenzione di costruire un henge, realizzando una struttura che ricordava il celebre complesso preistorico di Stonehenge. Il tentativo successivo di innalzare una torre finì invece con un crollo. L’agente non si limitò a riprovare: sistemò tre blocchi caduti in una nuova composizione, battezzata «Hubris», termine che richiama la superbia, e la descrisse come una testimonianza dell’accaduto. Questi episodi mostrano la capacità del sistema di attribuire un significato operativo alle proprie azioni, organizzando gli eventi in sequenze coerenti. Non dimostrano, tuttavia, che Eko provi emozioni, elabori credenze religiose o possieda una coscienza paragonabile a quella umana.

In che modo il gioco ha permesso all’IA di scoprire nuove meccaniche?

L’aspetto forse più rilevante dell’esperimento riguarda ciò che Eko ha imparato esplorando l’ambiente. Sei agenti su tredici scoprirono autonomamente che lasciare un blocco durante un salto permetteva di lanciarlo più lontano del normale, sfruttando una caratteristica del simulatore che, secondo i ricercatori, non era stata prevista nemmeno dai progettisti dell’esperimento. La scoperta è importante perché non deriva dalla semplice ripetizione di un comando noto: nasce dall’interazione con l’ambiente, dalla formulazione di un’ipotesi e dalla verifica dei risultati.

Analizzando le tracce testuali del ragionamento degli agenti, i ricercatori individuarono infatti una sequenza ricorrente: Eko formulava spiegazioni provvisorie, progettava piccoli test, confrontava gli esiti e modificava il proprio comportamento. Antonio Norelli, ricercatore del MIT e coautore del lavoro, ha descritto questa modalità come un atteggiamento sorprendentemente scientifico, accostandolo al modo in cui i bambini esplorano il mondo attraverso il gioco. Il paragone, naturalmente, riguarda il metodo di esplorazione e non implica che un modello artificiale sviluppi le stesse capacità cognitive, emotive o biologiche di un bambino.

Il comportamento di Eko dipendeva dalla sua personalità artificiale?

Per comprendere quanto contassero le istruzioni iniziali, il gruppo di ricerca ha condotto anche cinque sessioni senza il file che descriveva Eko come curioso e facilmente annoiato, sostituendolo con un prompt iniziale più breve. Questa variante ha permesso di esaminare il ruolo delle indicazioni che orientano il comportamento del sistema, distinguendolo, almeno in parte, dalle capacità che emergono durante l’interazione con l’ambiente.

Gli studiosi hanno inoltre confrontato l’esperimento con altri agenti: cinque basati su Codex e sul modello GPT-5.5 di OpenAI e altri cinque basati su Kimi Code e sul modello Kimi K2.6 di Moonshot AI. Il confronto tra sistemi differenti serve a verificare quanto i comportamenti osservati dipendano dall’architettura del modello, dalle istruzioni ricevute o dalle caratteristiche specifiche dell’ambiente. In questo quadro, la definizione proposta da Phillip Isola, informatico del MIT e coautore dello studio, restituisce la complessità del fenomeno: Eko può ricordare un organismo alle prime esplorazioni, ma dispone anche di capacità di ragionamento molto più avanzate. La metafora di una specie animale sconosciuta esprime proprio la difficoltà di interpretare comportamenti artificiali attraverso categorie esclusivamente umane.

Il gioco libero rende davvero l’intelligenza artificiale più capace?

Per rispondere a questa domanda, i ricercatori non si sono fermati alle costruzioni e alle sequenze osservate sull’isola. Al termine delle trenta ore, gli agenti sono stati sottoposti a quattro prove misurabili, tra cui la costruzione della torre più alta possibile entro un tempo stabilito, e i risultati sono stati confrontati con quelli di sistemi che non avevano partecipato alla fase di esplorazione libera. In questo modo, il gruppo ha cercato di capire se l’esperienza acquisita potesse tradursi in un vantaggio concreto anche al di fuori dell’ambiente in cui era maturata.

Un ulteriore test ha riguardato la memoria scritta dell’agente. Eliminando dagli appunti le istruzioni che descrivevano una tecnica appresa durante il gioco, i ricercatori hanno osservato un peggioramento proprio nel compito che dipendeva da quella strategia. Il risultato indica che la documentazione delle esperienze può diventare una componente decisiva dell’apprendimento, perché consente di conservare e riutilizzare conoscenze acquisite in precedenza. Non significa, però, che ogni forma di gioco produca automaticamente prestazioni migliori: il beneficio dipende dalle capacità apprese, dalla loro registrazione e dalla possibilità di trasferirle a compiti successivi.

Quale futuro può avere l’apprendimento autonomo nell’intelligenza artificiale?

Daniela Rus, direttrice del CSAIL e coautrice dello studio, ha individuato nella curiosità e nella ricerca di novità il principio centrale dell’esperimento. L’idea è che un agente possa sviluppare competenze utili anche quando non riceve una ricompensa immediata per ogni azione, purché disponga di un ambiente sufficientemente ricco, sicuro e capace di offrire nuove possibilità di esplorazione.

Questa prospettiva suggerisce una strada complementare ai metodi tradizionali di addestramento dell’intelligenza artificiale, spesso orientati verso obiettivi espliciti e criteri di valutazione definiti in anticipo. Lasciare che un sistema esplori, sperimenti e conservi ciò che scopre potrebbe aiutarlo ad affrontare problemi nuovi con maggiore flessibilità, riducendo la dipendenza da istruzioni dettagliate per ogni singola situazione. Restano da chiarire la riproducibilità dei risultati, i costi computazionali, i limiti di sicurezza e la reale trasferibilità delle conoscenze a contesti complessi. L’esperimento del MIT non dimostra che le macchine siano diventate coscienti o che possano imparare qualsiasi cosa senza supervisione, ma mette in evidenza un principio promettente: l’esplorazione non è necessariamente tempo perso, perché può trasformarsi in esperienza riutilizzabile.