Google DeepMind sta osservando quelli che definisce primi segnali di recursive self-improvement, un processo nel quale modelli AI progressivamente più capaci contribuiscono ad accelerare lo sviluppo delle generazioni successive. Logan Kilpatrick, membro del technical staff di Google DeepMind, ha descritto questa dinamica parlando del ritmo con cui la famiglia Gemini sta evolvendo e del lavoro in corso su Gemini 4. L’idea non è quella di un modello che modifica autonomamente la propria architettura o i propri pesi, ma di un ciclo nel quale sistemi AI più avanzati vengono utilizzati sempre di più per coding, esperimenti, valutazioni, progettazione di algoritmi e altre attività necessarie alla costruzione dei modelli successivi.
Kilpatrick ha indicato come uno dei segnali di questa accelerazione la sequenza di aggiornamenti Gemini 3.5, 3.6, 3.7 e 3.8, arrivati con intervalli spesso nell’ordine di tre-quattro settimane. Google DeepMind ha presentato Gemini 3.8 Flash nel settembre 2026 come il modello Flash più recente della serie, con miglioramenti nelle capacità di reasoning, coding e utilizzo agentico. La rapidità delle iterazioni viene collegata da Kilpatrick a un feedback loop nel quale i modelli già disponibili aiutano i gruppi di ricerca e engineering a produrre e valutare più rapidamente le versioni successive.
Lo stesso meccanismo sarebbe osservabile anche negli altri laboratori impegnati nello sviluppo di modelli di frontiera. Kilpatrick ha sottolineato che Google DeepMind non considera quindi il recursive self-improvement un fenomeno esclusivo della propria organizzazione, ma una tendenza che potrebbe emergere progressivamente dove modelli molto avanzati vengono inseriti direttamente nei processi di ricerca e sviluppo dell’intelligenza artificiale. In questo scenario, la capacità di rimanere alla frontiera avrebbe un effetto cumulativo: un modello più capace può rendere più efficiente la costruzione di quello successivo, che a sua volta può fornire strumenti migliori per il ciclo seguente.
Gemini 4 rappresenterà uno dei principali test di questa dinamica. Kilpatrick lo ha descritto come il più grande e ambizioso pre-training run realizzato finora da Google DeepMind. L’obiettivo è verificare se i miglioramenti osservati nel ritmo delle iterazioni della serie Gemini 3.x possano trasferirsi anche a una nuova generazione di modello costruita su una fase di pre-training di scala maggiore. Google DeepMind non ha ancora pubblicato specifiche tecniche complete, dimensioni, benchmark o una data definitiva di rilascio per Gemini 4.
Il concetto di AI utilizzata per migliorare direttamente componenti dell’infrastruttura AI è già presente in alcuni progetti di Google DeepMind. AlphaEvolve, sistema basato su Gemini che combina generazione di codice ed evaluator automatici, viene utilizzato per individuare nuovi algoritmi attraverso un processo evolutivo. Google ha applicato il sistema a problemi di matematica, scheduling dei data center, progettazione hardware e ottimizzazione dei processi di training. In uno dei casi pubblicati, AlphaEvolve ha individuato un miglioramento del 23% per un kernel di matrix multiplication utilizzato nello stack Gemini, traducendosi secondo Google in una riduzione di circa l’1% del tempo complessivo necessario per il training del modello.
Il funzionamento di AlphaEvolve mostra una forma circoscritta del tipo di ciclo a cui fa riferimento DeepMind. Un modello linguistico genera possibili soluzioni sotto forma di programmi o modifiche algoritmiche, evaluator automatici ne misurano le prestazioni e le versioni migliori vengono utilizzate come base per ulteriori iterazioni. Il processo è particolarmente efficace nei domini nei quali il risultato può essere verificato attraverso metriche precise, come velocità di un algoritmo, consumo di risorse o correttezza matematica, perché il feedback necessario per orientare la ricerca può essere prodotto automaticamente.
Un altro filone collegato è Dream-RSI, un framework sperimentale nel quale agenti AI costruiscono simulatori di replay utilizzando la cronologia delle proprie attività di scoperta. Questi simulatori permettono di valutare offline migliaia di possibili strategie di esplorazione senza dover ripetere ogni volta l’intero processo nel mondo reale o nell’ambiente originale. Le policy che ottengono risultati migliori vengono quindi utilizzate nelle iterazioni successive e ogni nuova cronologia di scoperta può alimentare la costruzione di simulatori più ricchi, creando un ciclo nel quale il sistema modifica progressivamente anche il modo con cui conduce la propria ricerca.
Google DeepMind ha affrontato formalmente il recursive improvement anche nel report “From AGI to ASI”, pubblicato nel giugno 2026. Il documento analizza quattro possibili percorsi attraverso i quali sistemi di livello AGI potrebbero evolvere verso forme di artificial general superintelligence: ulteriore scaling dell’AGI, cambiamenti di paradigma nell’intelligenza artificiale, miglioramento ricorsivo e formazione di grandi collettivi multi-agent. Il recursive improvement viene quindi trattato come uno dei possibili meccanismi di evoluzione futura, non come una capacità già raggiunta dagli attuali modelli.
La distinzione è rilevante anche per interpretare le dichiarazioni relative alla serie Gemini. I segnali osservati oggi riguardano soprattutto l’utilizzo dell’AI come acceleratore del lavoro umano e dei sistemi automatici coinvolti nella ricerca: generazione e revisione del codice, ottimizzazione dei kernel, progettazione di esperimenti, analisi dei risultati ed esplorazione di varianti. Ricercatori e ingegneri continuano a stabilire gli obiettivi, scegliere gli esperimenti, controllare i dati e decidere quali modifiche portare nelle versioni successive dei modelli.
La velocità delle release della serie Gemini costituisce quindi un indicatore del ritmo di sviluppo, ma non dimostra da sola l’esistenza di un ciclo autonomo di self-improvement. Per parlare di recursive self-improvement in senso più forte sarebbe necessario che un sistema fosse in grado di progettare, addestrare, valutare e validare in modo sostanzialmente autonomo un proprio successore più capace, ripetendo poi il processo con un livello crescente di prestazioni. Le evidenze pubbliche attualmente disponibili mostrano invece componenti di questo ciclo automatizzate separatamente, soprattutto nei domini dove gli evaluator possono fornire feedback rapidi e oggettivi.
Il prossimo Gemini 4 servirà quindi anche a verificare quanto l’accelerazione osservata nei processi interni di ricerca possa tradursi in miglioramenti misurabili nella nuova generazione di modelli. Kilpatrick ha collegato esplicitamente il progetto alla volontà di Google DeepMind di rafforzare la propria posizione nello sviluppo dei sistemi di frontiera, ma per il momento le indicazioni disponibili riguardano principalmente il processo di sviluppo e la scala del pre-training, mentre benchmark, caratteristiche architetturali e prestazioni effettive del modello non sono ancora stati resi pubblici.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)