I ricercatori di Apple hanno insegnato all'IA a esercitarsi nell'uso delle app senza aver bisogno di un'app reale per allenarsi

Punti chiave

• Apple ML Research ha pubblicato un metodo nel 2025 che allena agenti IA a utilizzare strumenti software senza richiedere una versione live e funzionante di quel software.
• La tecnica utilizza un modello linguistico di grandi dimensioni, la tecnologia alla base di chatbot come ChatGPT e Claude, per fungere da ambiente finto in cui l'agente di apprendimento si esercita.
• Gli approcci attuali per la costruzione di agenti che chiamano API, software che può operare app e servizi per conto tuo, dipendono da database reali pieni di dati realistici, il che è lento e costoso da creare.
• Il nuovo metodo richiede solo una descrizione scritta di un'API, acronimo di application programming interface, l'insieme di regole che consente a un pezzo di software di comunicare con un altro.

Immagina di insegnare a qualcuno a utilizzare un registratore di cassa senza dargli mai una cassa reale. Descrivi come funziona, e un collega interpreta il ruolo della macchina, rispondendo come farebbe il vero apparecchio. È più o meno quello che Apple ML Research ha fatto con l'IA, ma il collega è anche un'IA.

Costruire un agente IA in grado di utilizzare strumenti software, prenotare un volo, interrogare un database, inviare un messaggio per conto tuo, attualmente richiede migliaia di esempi elaborati. Ogni esempio è una registrazione dello scambio tra l'agente e un'applicazione effettivamente in esecuzione, completa di clienti, ordini e cronologia realistici e falsi caricati. La creazione di questi dati su larga scala richiede uno sforzo enorme.

L'approccio di Apple aggira completamente il problema. Dato nulla se non una specifica API, un documento che descrive cosa può fare un pezzo di software e come chiederlo, il sistema crea al volo un ambiente simulato. Un secondo modello linguistico di grandi dimensioni interpreta il ruolo dell'applicazione, inventando risposte plausibili in tempo reale. L'agente di apprendimento si esercita contro questo sostituto, sviluppando competenze senza un singolo server reale coinvolto.

Questo è importante perché il collo di bottiglia oggi non è l'IA stessa. È la pipeline dei dati. I ricercatori devono costruire ambienti di test funzionanti, popolarli con dati fittizi credibili ed eseguire migliaia di attività simulate prima che un agente sia pronto ad aiutare un utente reale. Questo processo limita la velocità con cui è possibile creare nuovi agenti capaci.

Il metodo senza ambiente potrebbe cambiare l'economia di quel processo. Gli sviluppatori avrebbero bisogno solo della documentazione che i creatori di software già pubblicano, trasformando uno sforzo di raccolta dati che dura mesi in qualcosa di molto più veloce.

Cosa significa questo per le persone che utilizzano assistenti IA?

Per gli utenti ordinari, agenti meglio addestrati significano meno errori frustranti quando un'IA cerca di prenotare, cercare o gestire qualcosa per conto tuo. Se gli agenti possono essere addestrati a basso costo su molte app diverse, la gamma di attività che affrontano in modo affidabile dovrebbe crescere.

Il lavoro è una ricerca in fase iniziale, e Apple ML Research non ha annunciato un prodotto costruito su di esso. Le prestazioni nel mondo reale richiederanno test indipendenti prima che chiunque possa dire quanto bene l'addestramento simulato si trasferisce alle applicazioni genuine. Ma l'idea sottostante, utilizzare un'IA per insegnare a un'altra senza aver bisogno di un ambiente live, è una soluzione pulita a un problema genuino e ben documentato nel settore.