Un team di ricerca composto da università statunitensi insieme a Google e Meta ha sviluppato AutoTTS, un framework che permette a un agente AI di progettare autonomamente algoritmi di test-time scaling (TTS), invece di affidarsi a strategie scritte manualmente dai ricercatori. Utilizzando Anthropic Claude Code come agente di ricerca, il sistema ha esplorato migliaia di strategie in un ambiente simulato offline, riducendo drasticamente i costi computazionali della sperimentazione. L’algoritmo generato dall’AI ha ottenuto migliori rapporti accuratezza/compute rispetto a metodi consolidati come la self-consistency, arrivando a ridurre del 70% il consumo di token mantenendo prestazioni competitive su benchmark matematici come AIME e HMMT.
Il risultato suggerisce un cambio di paradigma nella ricerca AI: gli esseri umani non progettano più direttamente gli algoritmi, ma costruiscono ambienti di ricerca nei quali le AI scoprono autonomamente strategie emergenti difficili da concepire manualmente.
Il lavoro si inserisce nella stessa direzione di progetti come Google DeepMind FunSearch e AlphaEvolve, rafforzando l’idea di sistemi AI capaci di auto-ottimizzare il proprio processo di miglioramento.
Link alla fonte:
https://the-decoder.com/researchers-let-claude-code-discover-ai-scaling-algorithms-that-humans-probably-wouldnt-have-designed/