Architettura sperimentale · Evidenze e confini

Architettura AI non-Transformer: componenti, runtime e limiti di Elena AILL

Elena AILL è un progetto sperimentale con componenti simbolici, stato persistente, decoder n-gram e prototipi neurali PyTorch. Nel percorso generativo auditato non risultano moduli Transformer né self-attention Q/K/V. Questo non significa che il repository sia privo di reti neurali, softmax o meccanismi di indirizzamento dei contenuti.

Che cos'è un'architettura di intelligenza artificiale

Un'architettura descrive come input, rappresentazioni, memoria, apprendimento, inferenza, controllo e produzione dell'output interagiscono. La presenza di un file o di una libreria non prova che quel componente venga eseguito, che modifichi lo stato, che influenzi l'output o che sia promosso nel runtime canonico.

Per Elena bisogna distinguere otto livelli: presente nel repository; caricabile o usato da utility; offline-only; usato da un percorso operativo; causalmente dimostrato sull'output; abilitato da manifest; promosso a runtime canonico; candidate hash-coerente non promosso. Nessuno di questi livelli implica automaticamente il successivo.

Tecnologie presenti e ruolo nel percorso auditato

Tecnologia	Presente nel progetto	Ruolo nel percorso generativo auditato	Note
Transformer	Non rilevato nel percorso auditato	Nessun ruolo dimostrato	Non è un'affermazione universale su ogni materiale storico.
Transformer self-attention	Non rilevata nel percorso auditato	Nessun ruolo dimostrato	Nessun Q/K/V, multi-head attention o scaled dot-product token-token osservato.
PyTorch	Sì	Core neurale escluso dal closure eager canonico	Presente nel repository e utilizzabile offline; non è il generatore canonico auditato.
Reti neurali	Sì	Prototipi offline/non canonici	Embedding, Linear, MLP e LayerNorm sono implementati realmente.
Embedding locali	Sì	Nessun effetto canonico dimostrato dal core offline	`nn.Embedding` è presente nel prototipo PyTorch e in GLIA.
Softmax	Sì	Presente nel core offline e in componenti sperimentali	La presenza di softmax non rende il sistema un Transformer.
Content addressing	Sì	Offline/non canonico nel core auditato	Similarità e softmax pesano prototipi o slot; è attention-like, non Transformer self-attention.
GLIA	Sì	Nessun ruolo nel closure canonico auditato	HISTORICAL / OFFLINE_ONLY.
F711	Sì	Lexicalization nel percorso candidato verificato	Realizza predicati e ruoli; non è reasoning generale.
Decoder V3	Sì	Generazione bigram/trigram con beam nel percorso verificato	Non usa logits Transformer nel percorso osservato.
Adam / AdamW	Materiale storico escluso; non nel percorso ufficiale auditato	Nessun ruolo nel percorso ufficiale verificato	Adam è un ottimizzatore, non sinonimo di backpropagation.
Global backprop	Materiale legacy separato	Non usata nel percorso ufficiale auditato	Il claim resta limitato al percorso verificato.

Transformer e self-attention: il confine tecnico

La self-attention di un Transformer costruisce query, key e value e usa prodotti scalati per combinare informazioni fra token, spesso su più head. Nel percorso generativo auditato di Elena non sono stati rilevati MultiheadAttention, Q/K/V, scaled dot-product self-attention o moduli Transformer.

Il core neurale offline contiene invece content addressing basato su similarità e softmax, descrivibile funzionalmente come attention-like. Non è Transformer self-attention, non usa Q/K/V, non usa multi-head attention e non usa scaled dot-product token-token self-attention. Questa distinzione compare una volta per evitare sia un'affermazione assoluta sull'assenza di attention sia l'errore opposto di chiamare Transformer ogni selezione pesata.

Il percorso generativo realmente verificato

Nel perimetro documentato, il percorso candidato verificato può essere riassunto come:

testo → text-to-meaning → memoria e ragionamento strutturato → F711 lexicalizer → Decoder V3 bigram/trigram con beam → verifier → output.

Il prototipo neurale PyTorch offline non viene inserito in questa catena. Il percorso non va presentato come runtime canonico live corrente: il candidate v19 è hash-coerente, ma non promosso.

Componente	Ruolo	Stato verificato	Limite
Router / guard	Selezione del ramo e controlli fail-closed.	Percorso operativo candidate	L'attivazione non dimostra correttezza semantica.
Text-to-meaning	Costruisce frame, predicati e ruoli.	Causale ma parziale	Copertura open-domain incompleta.
Memoria / world state	Espone fatti e stato strutturato.	Persistenza documentata in test circoscritti	Recupero non uniforme per ogni domanda.
Reasoner / planner	Opera su evidenze e strutture disponibili.	Candidate e test controllati	Input naturale può fallire prima del planner.
F711 / F900	Lexicalization di predicati e ruoli.	Subpath verificato	Componente PASS non implica pipeline PASS.
Decoder V3	Costruzione progressiva della superficie.	Causale nel percorso candidato auditato	Non compensa meaning o conoscenza mancanti.
Verifier	Accetta, blocca o produce defer.	Fail-closed verificato	Stabilità non equivale a comprensione.

Il prototipo neurale PyTorch è presente, ma offline

I file core/aill_model_no_attention.py e core/aill_no_attention_components.py implementano realmente PyTorch, nn.Embedding, nn.Linear, MLP, LayerNorm, memoria tensoriale, aggiornamenti Hebbian/plastic, similarità, content addressing e softmax. Non è corretto dire che Elena non contenga reti neurali, non usi softmax o non includa PyTorch.

core/__init__.py definisce però il confine corrente: gli esperimenti PyTorch sono OFFLINE_ONLY / NON_CANONICAL e devono essere importati esplicitamente. Il prototipo neurale è presente nel repository ma non costituisce il generatore canonico delle risposte nel percorso auditato.

Ablation del caricamento eager

L'esclusione del core PyTorch pesante dal caricamento canonico ha mantenuto output equivalenti in 111/111 turni e 500/500 casi; anche TTM e trace F711 sono rimaste equivalenti nei rispettivi replay. L'ablation non ha mostrato influenza causale del prototipo neurale sulle risposte canoniche nei replay auditati. Non dimostra che il core non serva, che non verrà usato in futuro o che PyTorch non sia usato nel progetto.

GLIA

GLIA contiene previous-hidden, slot routing, embedding, proiezioni lineari e content addressing sperimentale. Il modulo esiste nel repository, ma è stato escluso dal closure eager canonico insieme al core pesante: la classificazione pubblica corretta è HISTORICAL / OFFLINE_ONLY, non componente causale corrente.

SenzaAdam / Big Brain

PersistentBrainState è importato dal server e partecipa al contratto di stato persistente. Gli helper Hebbian e di consolidamento più ampi non hanno invece causalità indipendente dimostrata sull'output. La formulazione corretta è: SenzaAdam / Big Brain — persistent state contract + helper non causali nel percorso auditato. Non viene presentato come “cervello generativo”.

Manifest, fasi abilitate e promozione

Il manifest canonico dichiarato v2 elenca F900 e F901 come abilitate, disabilita F902 e abilita F903–F913. ENABLED significa configurato dal manifest: non significa automaticamente causalmente verificato, hash-coerente con il checkout corrente o attivo in un runtime live.

Oggetto	Stato	Cosa dimostra	Cosa non dimostra
Manifest canonico v2	F900, F901, F903–F913 enabled; F902 disabled	Contratto dichiarato	Hash correnti del server e TTM non allineati.
Candidate v19	Hash-coerente	Sorgenti e checkpoint dichiarati corrispondono al checkout	Non è promosso a canonico.
F896	Fase e telemetria non promosse	Il planner strutturato può essere istanziato nel full learned stack	Non promuove F896 e non risolve l'end-to-end su testo naturale.
F900–F913	Abilitazione mista secondo manifest	Feature contract dichiarato	Enabled non equivale a causalmente verificato o live hash-coerente.

Per il text-to-meaning la formulazione aggiornata è: copertura open-domain ancora incompleta. Il candidato più recente è vincolato agli hash dei sorgenti e del checkpoint, ma non è stato promosso e non dimostra comprensione linguistica generale.

Evidenze architetturali documentate

Fonte	Cosa verifica	Risultato	Confine
Manifest canonico v2	Feature e hash autorizzati	F900/F901/F903–F913 enabled; F902 disabled; 2 hash sorgente non allineati	Contratto dichiarato, non certificazione live.
Candidate v19	Hash sorgenti e checkpoint	14/14 elementi controllati coerenti	Candidate non promosso.
Core eager-import ablation	Influenza del core PyTorch pesante	111/111 e 500/500 output equivalenti	Replay auditati, non inutilità universale del core.
F235	No-attention Word Model	Validated · PASS	Fase circoscritta.
F315	Word Model Memory Bridge	Validated · PASS 10/10	Non prova il runtime completo.
F896	Meaning, knowledge e planner	Planner oracle 32/32; TTM 3/32; end-to-end 2/28	Fase e telemetria non promosse.
F898	Realizzazione F711	Gate circoscritto PASS	Input strutturato e candidate.

Risultati negativi e stato del candidate v19

Il benchmark italiano esterno congelato di external-runtime-repair-candidate-v19 registra 0 errori runtime, 1 risposta unica, 0/86 risposte oggettive corrette e 100/100 astensioni. Il risultato dimostra stabilità fail-closed nel campione, non comprensione generale, conoscenza open-domain o capacità linguistica risolta.

Il collo di bottiglia principale resta il text-to-meaning su input esterni complessi. Rendere il verifier più permissivo trasformerebbe defer corretti in risposte non fondate; non correggerebbe meaning, conoscenza o task handling mancanti.

F896: planner strutturato e pipeline naturale

F896 documenta 32/32 con query oracle ed evidenza congelata, ma soltanto 3/32 sul text-to-meaning completo e 2/28 end-to-end sui casi applicabili. Il planner strutturato può essere istanziato quando è attivo il full learned stack; questo non promuove la fase o la sua telemetria e non dimostra funzionamento end-to-end su testo naturale.

Snapshot storico 111 turni

Lo snapshot del manifest canonico v2 registra, per il campione storico di 111 turni, fallback 77/111 e una meaning completeness di 0,22. Sono dati della baseline dichiarata nel manifest, non lo stato corrente del candidate v19 e non una misura live.

Adam, global backprop e aggiornamenti locali

Nel percorso ufficiale auditato Adam, AdamW e torch.optim non risultano usati; nello stesso perimetro non viene usata backpropagation globale. Adam è un ottimizzatore e non è sinonimo di backpropagation. Nel repository esistono inoltre prototipi neurali offline e materiale legacy: i claim non vanno estesi all'intera storia del progetto.

Aggiornamenti locali, Hebbian/plastic e consolidamento sono implementati in componenti specifici. La loro presenza non dimostra apprendimento persistente end-to-end, influenza su ogni risposta o promozione nel runtime canonico.

Cosa questa architettura non dimostra

Nessuna superiorità o equivalenza generale rispetto ai Transformer.
Nessuna assenza assoluta di reti neurali, PyTorch, softmax o meccanismi attention-like.
Nessun runtime canonico live corrente perfettamente hash-allineato certificato da questa pagina.
Nessuna promozione del candidate v19.
Nessuna comprensione linguistica generale o reasoning universale.
Nessuna equivalenza fra presenza, caricamento, abilitazione, causalità e promozione.

MLP, embedding, softmax, memoria associativa, aggiornamenti Hebbian/plastic, n-gram e beam search sono primitive note. La specificità documentabile di Elena riguarda la combinazione progettuale, la separazione dei componenti, i vincoli, la persistenza, i gate, la verifica e i confini di runtime. Non viene rivendicata un'architettura scientificamente senza precedenti.