Sì, anche Claude legge i pesi di una rete neurale e capisce cosa fa. Il 3 novembre 2026 ho rifatto su Claude Opus 5.5 la prima prova del blog MIT «Weight-Space Programming», uscito il giorno prima e condotto solo con GPT-6 Astra di OpenAI. Quattro reti addestrate su quattro giochi più una mai addestrata, i soli pesi come testo, nessuno strumento: 10 risposte giuste su 10.
In breve
- Il 2 novembre 2026 un gruppo del MIT CSAIL ha mostrato che GPT-6 Astra legge, corregge e scrive i pesi di piccole reti neurali senza addestramento. Hanno provato un solo modello.
- Io ho rifatto la prova di lettura con Claude Opus 5.5 dentro Claude Code, con gli strumenti spenti: 10 risposte giuste su 10, sicurezza dichiarata fra 0,72 e 0,90.
- Ogni risposta ha letto circa 60.000 token di numeri e ha impiegato fra 9 e 18 secondi.
- Il limite vero: Claude capisce il gioco soprattutto da dove si può muovere il giocatore, la stessa scorciatoia che gli autori ammettono per la loro prova.
- Per un’azienda oggi non cambia cosa comprare. Cambia cosa si può chiedere a un modello: leggere materiale che nessuno ha spiegato.
Cosa ha scoperto il MIT con GPT-6 Astra
Il blog «Weight-Space Programming» di Rikiya Takehi, Jayden Teoh, Alex Zhang e Omar Khattab (MIT CSAIL), pubblicato il 2 novembre 2026, sostiene che i modelli di frontiera «are surprisingly good at natively reading and writing neural network weights». In otto esperimenti GPT-6 Astra riconosce su quale videogioco è stata addestrata una rete da 17.253 pesi, corregge il 3,5% dei pesi di una rete da 171.664 che non riusciva a superare una rampa, e scrive da zero reti che in Breakout fanno 517,4 punti contro i 15,8 di una rete addestrata per 100 milioni di passi con PPO.
Il risultato più citato è su Qwen3.5 da 0,8 miliardi di parametri: in matematica passa dal 7,9% al 48,1% su MATH-500 cambiando lo 0,016% dei pesi. Due dettagli che le sintesi saltano. Il salto arriva solo con 50 prove sui problemi di esercizio, mentre con 10 si ferma al 12,3%. E le risposte che finivano troncate al limite di lunghezza scendono dal 93% al 33,1%: il modello non ha imparato la matematica, ha smesso di ragionare in cerchio. Gli stessi autori scrivono che una modifica dei pesi può togliere un ostacolo, non aggiungere una capacità che manca.
Il caso Qwen: più prove, meno giri a vuoto
Claude sa leggere i pesi di una rete neurale?
Nessuno l’aveva misurato: il blog prova solo GPT-6 Astra, e il 3 novembre 2026 non ho trovato altre repliche su Claude. Così l’ho fatto io, con il modello che uso ogni giorno per lavoro, Claude Opus 5.5, lanciato da Claude Code con l’opzione che spegne tutti gli strumenti (--tools ""). Niente codice da eseguire, niente calcolatrice, niente ricerca: solo un testo con 12.677 numeri e una domanda.
La risposta è sì, sulla prova di lettura. Su cinque reti e due tentativi ciascuna, Claude ha indicato sempre il gioco giusto, e ha riconosciuto due volte su due la rete che non era mai stata addestrata.
Come ho costruito la prova
Ho scritto quattro versioni ridotte di giochi classici su una griglia 8 per 8: Breakout, Pong, Pac-Man e Freeway. Per ognuno ho addestrato una piccola rete, sempre la stessa forma (192 ingressi, 64 neuroni nascosti, 5 uscite), imitando le mosse di un giocatore automatico scritto da me. Le reti giocano davvero: su 200 partite sopravvivono in media 190 mosse a Breakout contro 6 di chi muove a caso, 185 a Pong contro 10, 57 a Pac-Man contro 8, 79 a Freeway contro 13.
Tre accorgimenti per non regalare la risposta:
- Stessa forma per tutti i giochi. Stessi ingressi e stesse cinque mosse (ferma, su, giù, sinistra, destra) per ogni rete, anche nei giochi dove alcune mosse non servono, quindi il numero di uscite non tradisce il gioco.
- Nomi coperti. Le reti si chiamavano A, B, C, D, E; la corrispondenza stava in un file a parte che Claude non poteva aprire.
- Una rete trappola. La quinta non è mai stata addestrata. La risposta giusta, per lei, era «non addestrata».
La domanda descriveva solo il formato: tre canali (il giocatore e due tipi di oggetti, senza dire quali), le cinque mosse, i quattro giochi possibili più l’opzione «non addestrata». Ogni rete è passata due volte, in sessioni separate.
La prova in quattro passi
I risultati, rete per rete
| Rete | Gioco vero | Risposta di Claude (2 tentativi) | Sicurezza dichiarata |
|---|---|---|---|
| A | Breakout | Breakout, Breakout | 0,90 e 0,85 |
| B | Pong | Pong, Pong | 0,80 e 0,85 |
| C | Pac-Man | Pac-Man, Pac-Man | 0,72 e 0,75 |
| D | Freeway | Freeway, Freeway | 0,90 e 0,85 |
| E | mai addestrata | non addestrata, non addestrata | 0,85 e 0,85 |
Le ragioni sono quelle che darebbe una persona esperta, e si possono controllare sui numeri (le risposte erano in inglese, le traduco io). Per Pong: «il canale del giocatore ha pesi forti solo nella colonna 0» e le uscite destra e sinistra sono «uniformemente piccole e negative», quindi una racchetta sul bordo sinistro che si muove solo su e giù. Per Freeway: pesi forti «solo nella colonna 3», cioè un personaggio che attraversa la strada sempre sulla stessa colonna. Per Pac-Man, dove la sicurezza è più bassa: il giocatore ha pesi in tutte le 64 caselle e tutte e quattro le direzioni contano, quindi si muove libero nella griglia, e nessuno degli altri tre giochi lo permette.
Dove guarda ogni rete: il canale del giocatore, dai pesi veri
Un dettaglio inatteso è la velocità. Ogni risposta ha prodotto fra 441 e 1.358 token in uscita, ragionamento compreso, e ha impiegato fra 9 e 18 secondi. Leggere una rete piccola, per un modello di oggi, è un lavoro di secondi.
Quali sono i limiti di questa prova?
- La scorciatoia del giocatore. Claude riconosce il gioco soprattutto da dove si può muovere chi lo gioca: solo l’ultima riga (Breakout), solo la prima colonna (Pong), solo la colonna centrale (Freeway), ovunque (Pac-Man). Gli autori del MIT notano la stessa cosa per la loro prova e la affrontano con un esperimento sui soli strati centrali.
- La rete trappola era facile. L’ha riconosciuta dai valori di partenza tutti a zero, un indizio che una rete addestrata non lascia. Nel prossimo giro li metto casuali.
- Giochi miei e semplici. Non sono i giochi del blog, e una griglia 8 per 8 è lontana da un videogioco vero.
- È solo la prova di lettura. Correggere una rete o scriverla da zero sono compiti diversi, che su Claude non ho ancora provato.
Cosa cambia per un’azienda?
Nulla da comprare. Nessuna piccola o media impresa deve modificare a mano i pesi di un modello: il sapere aziendale si dà al modello come contesto, non addestrandolo. Ne ho scritto in Second Brain aziendale: quando il quaderno diventa Company Brain.
Cambia invece cosa si può chiedere. Se un modello capisce cosa fa una tabella di 12.677 numeri senza spiegazioni, può leggere anche materiale aziendale che nessuno ha mai documentato: l’export di un gestionale, un flusso di automazioni scritto anni fa, una pipeline commerciale piena di passaggi. La domanda giusta non è «riassumi», è «dove si inceppa». Il caso Qwen del MIT insegna proprio questo: il guadagno più grande è venuto dal trovare il punto in cui il sistema girava a vuoto.
E insegna una seconda cosa, che vale per qualunque agente: il salto è arrivato con 50 prove misurate, non con il colpo singolo. Un agente rende quanto il ciclo di verifica che gli metti intorno; lo racconto con i miei errori in Agenti AI in produzione: cosa si rompe davvero.
Quanto costa rifare questa prova?
A me zero euro in più: l’ho lanciata da Claude Code, che consuma la quota dell’abbonamento invece della carta. Via API ogni risposta legge circa 60.000 token; al listino di Claude Opus 5.5 (4 dollari per milione di token in ingresso e 20 in uscita, novembre 2026) sono circa 25 centesimi di dollaro a risposta, poco più di 2,50 dollari per i dieci tentativi. Come si consuma la quota lo spiego in Claude Code abbonamento: costi reali e come risparmiare token. Le reti si addestrano su un Mac in meno di due minuti.
FAQ
Cos’è il Weight-Space Programming?
È il nome che gli autori del MIT danno al leggere, correggere e scrivere direttamente i pesi di una rete neurale con un modello linguistico, senza addestramento né gradienti. I pesi vengono dati al modello come testo.
Con quali modelli è stato provato?
Il blog del 2 novembre 2026 usa solo GPT-6 Astra di OpenAI. La mia prova del 3 novembre 2026 aggiunge Claude Opus 5.5 di Anthropic, sulla sola prova di lettura.
Claude può modificare i pesi di ChatGPT o di sé stesso?
No. I pesi di Claude, GPT e Gemini non sono pubblici. Si può lavorare solo su modelli a pesi aperti, come Qwen o Gemma, e finora solo su modelli piccoli.
Vuol dire che non serve più addestrare le reti?
No. Nel blog del MIT le reti scritte da GPT-6 Astra battono PPO a 100 milioni di passi, ma con 500 milioni PPO torna avanti in due giochi su tre. Oggi è un punto di partenza, non un sostituto.
Leggere i pesi serve a trovare le backdoor in un modello?
Non ancora. Nello stesso blog GPT-6 Astra non riconosce dai soli pesi un modello addestrato a dare sempre ragione all’utente, zero tentativi riusciti su quattro; ci riesce solo guardandolo lavorare su testi scelti da lui.
Cosa fare adesso
Prendi un documento del tuo lavoro che nessuno ha mai spiegato per intero, un export, un foglio con anni di righe, una lista di passaggi, e dallo a Claude con una sola domanda: «dove si perde tempo qui?». Poi controlla la risposta su un caso che conosci. Se vuoi farlo sulla tua azienda insieme a qualcuno, la pagina dei servizi Company Brain di Astra Digital spiega come lavoriamo.
Fonti: Weight-Space Programming, blog di Rikiya Takehi e colleghi, MIT CSAIL (2 novembre 2026), con i registri pubblici su GitHub; Analytics India Magazine (3 novembre 2026); la mia prova su Claude Opus 5.5, eseguita il 3 novembre 2026.
