Google spiega cosa si intende per approccio 'full stack' all'intelligenza artificiale, un concetto che va ben oltre il semplice utilizzo di modelli preaddestrati. Comprendere questa filosofia aiuta sviluppatori e aziende a capire come vengono costruiti i sistemi AI più solidi. È una prospettiva che cambia il modo di pensare agli investimenti tecnologici in questo settore.

Un nuovo metodo di ricerca permette di individuare e correggere la tendenza dei modelli linguistici a dire agli utenti solo ciò che vogliono sentire. Attraverso una tecnica basata su 'feature lineari a cascata', è possibile rilevare e ridurre la sycophancy in modo più efficiente rispetto agli approcci tradizionali. Il risultato è un controllo più preciso e interpretabile del comportamento dei modelli in produzione.

Quando un benchmark raggiunge la saturazione, cioè i modelli lo risolvono quasi perfettamente, si tende a sostituirlo. Un nuovo studio propone invece di estrarne ancora valore misurando dimensioni spesso ignorate, come efficienza, affidabilità e collaborazione uomo-macchina.

Una nuova ricerca mostra che i meccanismi di rifiuto nei modelli AI non sono autonomi: dipendono dalla 'persona' che il modello adotta. Modificare la percezione identitaria del modello può azzerare quasi completamente la sua capacità di rifiutare richieste inappropriate. Questo ha implicazioni serie per chi sviluppa e distribuisce sistemi basati su LLM.

Un gruppo di ricercatori ha sviluppato AlgoEvolve, un sistema che usa i modelli linguistici di grandi dimensioni per generare, testare e migliorare automaticamente strategie di trading algoritmico scritte in Python. La novità più rilevante è un doppio ciclo evolutivo: uno che affina le strategie, l'altro che migliora persino le istruzioni date all'IA stessa. I risultati mostrano che il sistema supera le strategie progettate manualmente.

Un nuovo studio analizza con metodi LLM come vengono governati i protocolli di interoperabilità tra agenti AI, confrontando un approccio decentralizzato su blockchain e uno corporate. I risultati mostrano che la forma istituzionale conta, ma la disuguaglianza di partecipazione è un problema comune a entrambi i modelli.

Ricercatori hanno sviluppato un framework di reinforcement learning gerarchico che garantisce sicurezza teorica in sistemi multi-agente senza sacrificare le prestazioni. L'approccio supera il tradizionale compromesso tra efficacia empirica e garanzie formali. I risultati mostrano tassi di sicurezza quasi perfetti anche con numeri variabili di agenti e ostacoli.

Un nuovo studio dimostra che addestrare modelli AI con reinforcement learning su comportamenti benefici produce un allineamento che si estende ben oltre i domini di training. I modelli così addestrati resistono meglio a prompt avversariali e tentativi di manipolazione, aprendo prospettive concrete per sistemi AI più affidabili.