Google DeepMind sta estendendo a EVE Online il percorso di ricerca sull’intelligenza artificiale avviato oltre quindici anni fa utilizzando i videogiochi come ambienti di addestramento e valutazione. La collaborazione con Fenris Creations, studio indipendente responsabile dell’universo EVE, punta a utilizzare uno dei mondi virtuali persistenti più longevi e complessi come banco di prova per agenti capaci di apprendere continuamente, conservare informazioni nel tempo, pianificare azioni su periodi molto lunghi e interagire con numerosi altri soggetti autonomi. Il programma non prevede l’introduzione immediata degli agenti nei server utilizzati dai giocatori: le prime sperimentazioni saranno condotte in una versione offline di EVE Online, separata dall’ambiente live, per poi estendersi progressivamente agli altri titoli dell’universo EVE.
L’utilizzo dei videogiochi nella ricerca di DeepMind risale alle prime sperimentazioni con le reti neurali profonde applicate ai giochi Atari 2600. Il Deep Q-Network, o DQN, imparò a giocare direttamente partendo dai pixel visualizzati sullo schermo, senza una programmazione specifica per ciascun titolo, arrivando a gestire 49 giochi differenti tra cui Pong, Breakout e Space Invaders. Il lavoro, pubblicato su Nature nel 2015, contribuì allo sviluppo del moderno deep reinforcement learning. A questa fase seguirono sistemi destinati ad affrontare ambienti progressivamente più complessi: nel 2016 AlphaGo sconfisse il campione mondiale Lee Sae Dol, mentre AlphaGo Zero eliminò la necessità di utilizzare dati provenienti da partite umane imparando esclusivamente attraverso il self-play. AlphaZero applicò successivamente lo stesso approccio a scacchi, shogi e Go, mentre MuZero riuscì ad apprendere a giocare senza conoscere preventivamente le regole dell’ambiente. Nel 2019 AlphaStar raggiunse il livello Grandmaster in StarCraft II, affrontando contemporaneamente decisioni in tempo reale, informazioni incomplete e un elevato numero di possibili strategie.
Queste ricerche non sono rimaste confinate al gaming. Le tecniche sviluppate attraverso problemi di apprendimento, esplorazione e previsione hanno contribuito anche alla costruzione di AlphaFold, il sistema dedicato alla previsione della struttura tridimensionale delle proteine, lavoro riconosciuto nell’ambito del Premio Nobel per la Chimica 2024. Nel settore dei videogiochi, tuttavia, l’obiettivo di DeepMind è progressivamente cambiato: non si tratta più soltanto di costruire un’intelligenza artificiale capace di massimizzare un punteggio all’interno di un ambiente con regole e obiettivi definiti, ma di sviluppare agenti in grado di comprendere e utilizzare mondi virtuali sconosciuti con modalità simili a quelle di un giocatore umano.
Da questa impostazione nasce SIMA, Scalable Instructable Multiworld Agent. Il sistema osserva direttamente ciò che viene mostrato sullo schermo, interpreta istruzioni espresse in linguaggio naturale e interagisce con l’ambiente utilizzando normali comandi equivalenti a tastiera e mouse, senza accedere al codice sorgente del gioco o ad API dedicate. La prima versione aveva imparato più di 600 capacità basate su istruzioni linguistiche, comprese azioni semplici come girarsi, salire una scala o aprire una mappa. SIMA 2, presentato nel novembre 2025 e costruito integrando Gemini come componente centrale, estende questa architettura introducendo capacità di ragionamento sugli obiettivi, conversazione con l’utente e apprendimento attraverso l’interazione. Il sistema può inoltre spiegare ciò che intende fare e gestire istruzioni più articolate rispetto alla generazione precedente.
Uno degli aspetti più rilevanti di SIMA 2 riguarda la generalizzazione. Nei test il sistema ha mostrato capacità di operare anche all’interno di ambienti sui quali non era stato precedentemente addestrato, tra cui ASKA e MineDojo, implementazione di ricerca basata su Minecraft, riducendo parte della distanza che separava la precedente generazione dalle prestazioni umane nel completamento dei compiti. Restano però limitazioni importanti: gli agenti hanno ancora difficoltà quando devono perseguire obiettivi distribuiti su periodi estremamente lunghi e la memoria disponibile rimane condizionata dalla finestra di contesto del modello, che deve essere mantenuta sufficientemente contenuta per consentire interazioni a bassa latenza. SIMA 2 rimane inoltre una research preview limitata a un gruppo ristretto di ricercatori accademici e sviluppatori di videogiochi.
EVE Online introduce problemi di scala completamente differenti. Attivo dal 2003, il titolo utilizza un universo persistente single-shard nel quale migliaia di giocatori condividono lo stesso ambiente. L’economia è determinata dagli stessi utenti e comprende dinamiche reali di domanda e offerta, produzione, commercio e reti che attraversano migliaia di sistemi stellari. Anche alleanze, conflitti, diplomazia e strutture politiche sono generate dall’interazione fra giocatori. Questo rende EVE particolarmente adatto a studiare agenti che non devono semplicemente completare una missione, ma operare all’interno di un ambiente che continua a cambiare indipendentemente dalle loro azioni.
Le capacità da sviluppare riguardano soprattutto quattro problemi strettamente collegati. Gli agenti dovranno continuare ad acquisire nuove competenze senza perdere quelle apprese precedentemente, costruire e recuperare ricordi su periodi molto più lunghi delle attuali finestre di contesto, pianificare decisioni con conseguenze distribuite su settimane, mesi o persino anni e gestire dinamiche multi-agente nelle quali cooperazione, competizione, negoziazione, economia e comportamento sociale emergono dalle interazioni tra numerosi partecipanti. L’obiettivo più ampio è studiare sistemi in grado di apprendere continuamente dall’esperienza, aumentando progressivamente anche la velocità con cui acquisiscono nuove capacità.
Il programma utilizzerà inoltre tre ambienti differenti dell’universo sviluppato da Fenris Creations. EVE Online mette a disposizione il grande mondo persistente condiviso; EVE Vanguard introduce invece una prospettiva in prima persona e decisioni tattiche rapide, permettendo di studiare lo stesso agente su livelli di astrazione che vanno dalle azioni immediate alle strategie su scala galattica. EVE Frontier aggiunge un’altra variabile attraverso gli Smart Assemblies programmabili e un’architettura aperta ed estensibile: in questo ambiente possono cambiare anche le regole con cui il mondo funziona, costringendo gli agenti ad adattarsi a meccaniche nuove anziché limitarsi ad applicare strategie apprese in precedenza.
Lo sviluppo sarà quindi graduale. Le prime attività si svolgeranno all’interno di un’istanza offline di EVE Online, utilizzata come sandbox sicura completamente separata dai giocatori reali. La fase successiva interesserà EVE Frontier, dove sarà possibile studiare la convivenza fra persone e agenti artificiali in un ambiente persistente e aperto. Solo dopo il raggiungimento di capacità considerate sufficientemente mature verrà valutata l’introduzione delle tecnologie in EVE Online ed EVE Vanguard, con l’obiettivo dichiarato di arricchire l’esperienza dei giocatori anziché sostituirla.
Un primo risultato della collaborazione è già utilizzato in EVE Online. Aura Guidance è stato introdotto in forma prototipale il 17 febbraio 2026 e utilizza Gemini per assistere i nuovi giocatori. Il sistema attinge a una base verificata di domande e risposte realmente prodotte all’interno di Rookie Help e permette ai nuovi piloti di ottenere indicazioni utilizzando le conoscenze generate dalla stessa comunità. Aura Guidance viene valutato attraverso un test A/B controllato che misura, tra gli altri aspetti, il suo effetto sulla capacità del gioco di trattenere i nuovi utenti.
La sperimentazione con EVE rappresenta così il passaggio da ambienti nei quali un agente doveva imparare una strategia vincente a mondi nei quali deve mantenere conoscenze, adattarsi a cambiamenti continui e prendere decisioni i cui effetti possono manifestarsi molto tempo dopo. Dopo Atari, Go e StarCraft II, l’ambiente di ricerca non è più soltanto un gioco da completare o padroneggiare, ma un universo che continua a esistere, evolversi economicamente e modificarsi socialmente mentre l’agente vi opera. È precisamente questa persistenza che Google DeepMind e Fenris Creations intendono utilizzare per verificare capacità che gli attuali agenti generalisti non possiedono ancora in modo affidabile.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)