Weight-Space Programming: quando un'AI riscrive i pesi di un'altra AI
Lo 0,016%. È la quota di pesi che un'intelligenza artificiale ha modificato dentro un altro modello per portarlo dal 7,9% al 48,1% di risposte corrette in un test di matematica. Senza addestramento e senza nuovi dati: solo ragionando sui numeri che compongono il modello, come un chirurgo che interviene su un punto preciso invece di rieducare il paziente da capo.
Lo racconta un articolo pubblicato il 2 novembre 2026 da un gruppo di ricercatori del MIT CSAIL, che a questa capacità ha dato un nome: Weight-Space Programming. Nell'articolo su l'AI che costruisce se stessa ho raccontato come i modelli stiano imparando a migliorarsi. Questo è un tassello concreto di quel percorso, e vale la pena capirlo bene.
In breve. Il Weight-Space Programming è la capacità di un modello linguistico di leggere e modificare direttamente i pesi di una rete neurale, cioè i numeri in cui la rete custodisce ciò che ha imparato, partendo da un obiettivo scritto in linguaggio naturale. Senza addestramento: ragionando.
Che cosa sono i pesi, in parole semplici
Una rete neurale è fatta di migliaia, milioni o miliardi di numeri: i pesi. Durante l'addestramento vengono aggiustati un poco alla volta, milioni di volte, finché il modello non impara il suo compito. Il risultato funziona, ma è illeggibile: nessuna persona, guardando quei numeri, saprebbe dire che cosa fa la rete.
Finora, per cambiare il comportamento di un modello, c'era una sola strada: riaddestrarlo, con dati, tempo e costi. La ricerca del MIT apre una seconda strada: chiedere a un'altra AI di leggere i pesi e di correggerli, come si fa con il codice di un programma.
Leggere, riparare, scrivere da zero
I ricercatori hanno messo alla prova GPT-6 Astra, un modello di frontiera usato così com'è, in otto esperimenti. Tre bastano per capirne la portata.
Leggere. Hanno addestrato quattro piccole reti a giocare a quattro videogiochi diversi, tutte con la stessa struttura. Ad Astra hanno dato solo i numeri, circa 17.000 per rete, senza dirle quali giochi fossero in gara. Le ha riconosciute tutte e quattro.
Riparare. Una rete doveva guidare un'auto oltre una rampa, ma si bloccava sempre: aveva imparato a puntare dritto, senza prendere la rincorsa. Astra ha capito il difetto, ha modificato il 3,5% dei pesi e l'auto è passata in 1.024 tentativi su 1.024. Al primo colpo, senza strumenti.
Scrivere da zero. Partendo dalle regole di tre videogiochi, Astra ha scritto da sola le reti che li giocano. In tutti e tre ha battuto reti addestrate con il metodo tradizionale per 100 milioni di passi.
Il caso che fa notizia
Poi il salto di scala: Qwen3.5-0.8B, un vero modello linguistico da 800 milioni di pesi. Il suo difetto era noto: nei ragionamenti matematici si incastrava, ripetendo le stesse frasi fino a esaurire lo spazio disponibile. Su 96 risposte di prova, 85 finivano così.
Astra ha individuato la parte del modello responsabile dei cicli e l'ha neutralizzata, toccando 131.072 pesi su 800 milioni. In matematica il modello è passato dal 7,9% al 48,1%, nei problemi di livello scolastico dal 13,8% al 67,1%. E c'è stato un effetto che nessuno aveva chiesto: la capacità di seguire le istruzioni è salita dal 21% al 62,3%. Il modello corretto è pubblico, come i registri completi di ogni esperimento.
Che cosa non dimostra ancora
Qui sta la differenza tra leggere una notizia e capirla. I ricercatori hanno provato a migliorare in matematica anche un modello più piccolo, che non soffriva di cicli: non ci sono riusciti. La loro conclusione è limpida: modificare i pesi può togliere un ostacolo che nascondeva una capacità, ma non può aggiungerne una che il modello non ha.
C'è un secondo limite. Davanti a due modelli identici, uno onesto e uno addestrato a dare sempre ragione all'utente, Astra non è riuscita a distinguerli guardando solo i pesi. Ci è riuscita soltanto osservando come i due modelli leggevano un testo. Leggere dall'interno una rete grande resta difficile: siamo agli inizi, e gli autori sono i primi a dirlo.
Che cosa cambia per le aziende
Se questa strada si consolida, le conseguenze pratiche sono tre.
- Costi. Correggere un difetto preciso senza riaddestrare significa risparmiare tempo, dati e calcolo. Per chi usa modelli piccoli ed economici, è la differenza tra sostituire uno strumento e ripararlo.
- Controllo. Gli autori immaginano di scoprire problemi e comportamenti nascosti, perfino manomissioni volute, leggendo i pesi invece di aspettare che emergano durante l'uso. Per chi deve dimostrare che un sistema è affidabile, sarebbe un cambio di prospettiva.
- Sicurezza. Vale anche il rovescio: se un'AI sa riscrivere i pesi con precisione chirurgica, qualcuno potrebbe usarla per alterarli. Sapere da dove viene un modello, e chi l'ha modificato, diventerà una domanda da fare sempre.
Un passo verso l'AI che migliora se stessa
Fra le prospettive, gli autori citano proprio l'auto-miglioramento ricorsivo: un modello capace di ispezionare, correggere e migliorare i propri pesi, o quelli di un modello più nuovo. È il filo che lega questa ricerca alla serie che sto scrivendo, e porta con sé la stessa domanda: quando le modifiche le fa una macchina, chi le verifica? Anche per questo il gruppo sta costruendo un banco di prova per misurare questa capacità, così da trasformare quella che oggi chiamano «magia nera» in una disciplina di ingegneria rigorosa.
Domande frequenti
Il Weight-Space Programming sostituisce l'addestramento?
No. Oggi funziona su reti piccole e su difetti precisi, e non aggiunge capacità che un modello non possiede.
Serve un modello speciale?
No: negli esperimenti è stato usato un modello di frontiera generico, senza adattamenti. È la sua capacità di ragionare a fare il lavoro.
I risultati sono verificabili?
Sì. I ricercatori hanno pubblicato i registri completi degli esperimenti e il modello corretto.
In sintesi
I modelli stanno diventando oggetti che si possono leggere e correggere, non soltanto usare. Per chi lavora con l'AI in azienda è un cambio di mentalità: capire come funzionano, anche solo nei principi, è il primo passo per governarli. È il lavoro che faccio nei percorsi di formazione per le aziende.
Fonte: Rikiya Takehi, Jayden Teoh, Alex Zhang e Omar Khattab, «Sparks of Weight-Space Programming: LLMs can natively read & write neural network weights», MIT CSAIL, 2 novembre 2026.

L'immagine presente in questo articolo è stata generata usando l'AI.



