Richard Socher annuncia la «Eureka Machine» e risultati di ricerca AI in due giorni
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Socher, fondatore di Recursive, dice che il sistema della sua società ha battuto umani e agenti su compiti di ottimizzazione in meno di due giorni; Recursive ha raccolto un seed round da 4,65 miliardi di dollari.
Richard Socher dice che un suo sistema ha superato persone e agenti su compiti di ottimizzazione in meno di 48 ore. Porta come esempio l’automazione di miglioramenti a kernel per GPU NVIDIA, ottenuti senza un team di esperti CUDA. Annuncia anche un seed round da 4,65 miliardi di dollari per la nuova società, Recursive1.
Socher guida Recursive dopo You.com e AIX Ventures. Ha riunito ricercatori sull’“open‑endedness” e sugli agenti auto‑miglioranti. L’obiettivo è costruire sistemi che automatizzano la ricerca in AI e migliorano se stessi. Chiama questa linea di lavoro «Eureka Machine»1.
La tesi operativa è netta. Agenti che esplorano lo spazio delle idee, generano esperimenti, li valutano, e ripetono. Con cicli rapidi. Secondo Socher, il sistema ha già battuto esseri umani e i loro agenti su problemi di ottimizzazione, chiudendo un ciclo completo in meno di due giorni. Lo stesso approccio avrebbe prodotto le ottimizzazioni dei kernel GPU senza un gruppo dedicato di specialisti CUDA1.
Socher estende il raggio d’azione a scienza, energia, materiali e biologia. Mira a una superintelligenza che migliori il processo stesso di invenzione, dalla scoperta scientifica all’ingegneria. Sostiene che lavori da migliaia di persone per anni possano comprimersi in settimane grazie ad automazione e iterazione veloce1.
Le prove mostrate restano interne. Arrivano da una presentazione di circa 20 minuti e da un’intervista nel podcast Latent Space. Nelle fonti non compaiono verifiche indipendenti né benchmark pubblici. Socher presenta i risultati come primi riscontri della direzione «Eureka Machine»1.
Recursive punta a una pipeline chiusa: proposta di ipotesi, scrittura di codice, esecuzione di test, valutazione, rilancio dell’esperimento. Le metriche guardano a compiti di ottimizzazione, inclusi quelli legati ai kernel GPU. L’obiettivo è ampliare e accelerare l’esplorazione rispetto a team umani o insiemi di agenti non coordinati1.
Il progetto arriva insieme a un libro, The Eureka Machine, che accompagna la visione e i casi d’uso che l’azienda intende perseguire. L’uscita definisce il lessico e gli obiettivi del programma di ricerca1.
Resta da capire se i risultati reggono fuori dal laboratorio. Per validare l’approccio servono set di compiti condivisi, protocolli riproducibili, confronti contro baseline forti e rilascio di codice o report tecnici. Se queste condizioni entreranno nella roadmap, il banco di prova sarà misurare l’impatto oltre l’AI applicata, a partire da casi concreti in materiali, energia e biologia1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.