Il mondo dell'intelligenza artificiale sta diventando "loop"

Un salto tecnologico nell'intelligenza artificiale

Alla conferenza Meta @Scale, Boris Cherny, creatore di Claude Code, ha risposto a una domanda sorprendente: “I loop sono solo un’altra moda oppure sono una reale innovazione?” La sua risposta era inequivocabile: “Sono reali, e molto significativi.” Cherny ha chiarito che negli ultimi due anni si è passati da un modello in cui gli sviluppatori scrivevano autonomamente codice a uno in cui gli agenti stessi generano codice. Oggi, però, si è arrivati al punto in cui gli agenti sono in grado di interagire tra loro per produrre codice sempre più ottimizzato. Cherny ha sottolineato che, anche se l’evoluzione dal coding manuale agli agenti è stata significativa, l'introduzione dei loop rappresenta un altro passo rivoluzionario.

I loop in azione

In un momento particolare del suo intervento (intorno al 32esimo minuto del video YouTube), Cherny ha fornito alcuni esempi del tipo di loop che utilizza nel proprio lavoro. Un agente si dedica a migliorare continuamente l'architettura del codice, mentre un altro cerca di unificare astrazioni duplicate. Questi agenti lavorano come sviluppatori tradizionali, proponendo cambiamenti con richieste di pull e continuando a operare indefinitamente poiché il codice è in continua evoluzione.

Un passo in più verso una gestione automatizzata

I loop rappresentano un'importante estensione del concetto di agenti autonomi. Mentre inizialmente l’attenzione degli utenti era concentrata soprattutto sulla capacità di gestire agenti con chiavi obiettivo e controllo costante, i loop portano questa ideologia al di là, permettendo ad un gruppo di agenti di lavorare in parallelo per il lungo periodo. Questo livello di fiducia nell’intelligenza artificiale mostra grandi potenzialità, soprattutto considerando i rapidi progressi delle model AI. La capacità di delegare compiti complessi e continui a sistemi che operano in modo autonomo potrebbe essere il passo successivo per far svolgere lavoro "reale" all’intelligenza artificiale.

Non si tratta di un concetto completamente nuovo

I loop ricorsivi — in cui una funzione richiama sé stessa con una condizione di ripetizione e una di arresto — sono un classico dell’insegnamento introduttivo di programmazione. Benché funzionino su un meccanismo non deterministico e siano gestiti da sub-agenti, seguono lo stesso paradigma. Una volta che i modelli di intelligenza artificiale hanno cominciato a eseguire compiti autonomi, era solo questione di tempo prima che si introducesse un livello superiore: un loop autonomo in cui la AI supervisiona se stessa.

I loop agenticI e il problema della complessità

I loop agentici sono spesso sorprendentemente semplici da implementare. Una strategia popolare, ad esempio, è il “Ralph Loop” (così chiamato in onore di un personaggio di simpatico nome Ralph). Il funzionamento è abbastanza intuitivo: un modello AI riepiloga il lavoro svolto e controlla se il suo scopo principale sia stato raggiunto. Questa tecnica aiuta a evitare che il modello vada in loop infinito o non riesca a completare un compito. Funziona come uno strumento per "rimbalzare" il modello fino al raggiungimento del risultato richiesto.

Utilizzabile, ma con costi elevati

I loop AI non sono affatto economici. Rispetto ai chatbot di semplice Q&A, i loop utilizzano molte più risorse computazionali, specialmente quando si richiede che operino in modo continuo. Per alcune aziende, come Anthropic, questo non è un problema, perché la vendita di token è una fonte principale di reddito. Ma per molti altri utenti, può rappresentare una spesa considerevole e non necessariamente sostenibile.

L’unica strada possibile? Test-time compute

Un modo diverso di interpretare i loop è vederli come parte di una tendenza più ampia: l’aumento del calcolo in fase di test. Come ha notato Noam Brown, ricercatore di OpenAI, i modelli moderni riescono a risolvere quasi qualsiasi problema, pur di disporre di abbastanza risorse. Questo implica che uno dei modi più comuni per garantire una soluzione sia continuare a sommare potenza di calcolo fino al completamento del compito. Questo approccio è particolarmente utile per problemi in cui si cerca la miglior performance incrementale, come l’ottimizzazione di software.

I vantaggi che potrebbero valere la spesa

Nonostante i costi elevati, potrebbe esserci un motivo per cui i loop meritano considerazione. Quando il problema richiesto è abbastanza complesso o quando si ha la capacità di controllare il consumo di token, il drift e gli errori comuni della AI, i benefici ottenuti potrebbero ampiamente giustificare il prezzo. In fin dei conti, come sottolinea Cherny, l’idea che una serie di agenti possa lavorare costantemente, migliorando continuamente il codice, rappresenta un progresso di cui il mondo del software sta solo cominciando a rendersi conto.