Tema di ricerca · Evidence-first

Apprendimento continuo nell'intelligenza artificiale: esperimenti e limiti di Elena AILL

L'apprendimento continuo nell'intelligenza artificiale studia come un sistema possa acquisire o aggiornare conoscenze nel tempo senza perdere ciò che gli serve ancora. È diverso da un addestramento eseguito una sola volta: dopo ogni aggiornamento bisogna verificare sia il nuovo comportamento sia la conservazione di quello precedente. Imparare un elemento nuovo non basta, e un singolo PASS non dimostra apprendimento generale. Elena AILL è presentata qui come caso sperimentale documentato, con risultati circoscritti, candidate non promosse e fallimenti conservati insieme ai successi.

Cos'è l'apprendimento continuo nell'intelligenza artificiale

In termini generali, un sistema di apprendimento continuo riceve nuove informazioni, esempi o compiti in momenti successivi e aggiorna il proprio comportamento senza ripartire necessariamente da zero. La valutazione non riguarda soltanto ciò che viene acquisito nell'ultimo passaggio: deve controllare anche le capacità precedenti, perché un aggiornamento utile sul nuovo può interferire con quello che il sistema sapeva già fare.

“Continuo” non significa che il sistema apprenda in ogni istante, senza controllo o senza limiti. Le implementazioni possono usare procedure online, aggiornamenti locali, consolidamenti offline, candidate isolate o cicli di promozione. Per descrivere correttamente un esperimento occorre indicare quale stato è cambiato, quali dati sono stati usati, quali gate sono stati applicati e se il risultato è rimasto candidato oppure è stato promosso.

Nel caso di Elena, le fasi adottano procedure differenti. Alcune aggiungono fatti e verificano il richiamo; altre misurano influenza del feedback, generalizzazione, anti-forgetting o selezione di una candidata. Questa pagina non trasforma tali prove in un protocollo universale e non afferma che Elena impari autonomamente in ambiente aperto.

Imparare non significa soltanto ricordare

La memoria persistente riguarda soprattutto conservazione, disponibilità dopo un salvataggio o reload e capacità di richiamo. Il continual learning richiede qualcosa in più: acquisizione o aggiornamento, prova sul nuovo, ritenzione del precedente e valutazione delle interferenze introdotte dal cambiamento.

Un fatto richiamato dopo il riavvio può dimostrare persistenza nel perimetro del test, ma non dimostra da solo che il sistema abbia generalizzato, migliorato una capacità o mantenuto tutte le conoscenze pregresse. Allo stesso modo, un aggiornamento che migliora un nuovo set non è sufficiente se degrada i set precedenti.

La tassonomia della memoria, il cold reload e le prove di persistenza appartengono all'hub dedicato alla memoria persistente e al richiamo dopo il reload. Qui quei risultati vengono richiamati soltanto quando servono a valutare la ritenzione dopo un aggiornamento.

Continual learning, lifelong learning e apprendimento incrementale

Termine	Uso in questa pagina	Cosa non implica
Apprendimento continuo / continual learning	Acquisizione sequenziale del nuovo con verifica della conoscenza precedente.	Apprendimento incessante, senza gate o universale.
Apprendimento incrementale	Aggiornamento progressivo attraverso esempi, esperienze o task successivi.	Che ogni aggiornamento venga promosso nel runtime.
Lifelong learning	Direzione di ricerca verso accumulo e riuso della conoscenza lungo sequenze estese.	Apprendimento infinito o assenza definitiva di forgetting.
Live learning	Aggiornamento o accettazione controllata durante un percorso operativo candidato.	Training globale aperto durante ogni conversazione.
Local learning	Modifica circoscritta guidata da segnali locali e verificata nel test relativo.	Aggiornamento dell'intero sistema o causalità sul testo finale.

I nomi storici delle fasi Elena — come Continual Learning, Live Learning Runtime e Lifelong Memory Expansion — restano invariati. Il nome di una fase descrive il suo obiettivo sperimentale; non sostituisce lo status, il verdetto e le misure registrate.

Il problema del catastrophic forgetting

Il catastrophic forgetting si verifica quando l'acquisizione di nuove informazioni o task degrada in modo marcato prestazioni precedenti. La difficoltà può essere letta come un equilibrio fra plasticità, cioè capacità di cambiare e acquisire il nuovo, e stabilità, cioè capacità di preservare conoscenze e comportamenti ancora utili. Troppa plasticità può produrre interferenza; troppa stabilità può impedire l'adattamento.

Le fasi Elena usano controlli diversi: recall del vecchio e del nuovo, probe di comportamento, regression gate, anti-forgetting score, reload o test di parafrasi. Questi valori sono validi soltanto per i set dichiarati. Per esempio, F301 registra 10/10 richiami precedenti e quattro nuovi fatti nel proprio test; F608, F609 e F610 riportano misure candidate a scale crescenti, ma dichiarano anche che la candidata non è stata promossa. Nessuno di questi risultati dimostra che Elena abbia “risolto” il catastrophic forgetting.

Come Elena verifica un nuovo apprendimento

Le procedure cambiano da fase a fase, ma le evidenze documentate permettono di riconoscere una sequenza concettuale ricorrente. Non tutti i passaggi compaiono in ogni esperimento.

Baseline o stato iniziale: vengono registrati comportamento, richiamo, checkpoint o conteggi precedenti.
Nuova informazione o aggiornamento: un fatto, una esperienza, un segnale locale o un set candidato entra nel percorso previsto.
Verifica dell'acquisizione: probe diretti controllano se il nuovo elemento è disponibile o influenza il comportamento misurato.
Verifica del precedente: old-set recall, smoke test o regressioni controllano che capacità già registrate non siano state perse.
Generalizzazione: quando prevista, parafrasi, proprietà o casi non identici verificano un trasferimento oltre il richiamo letterale.
Persistenza: alcune fasi salvano una candidata e verificano reload; altre dichiarano esplicitamente che checkpoint o frozen runtime non sono stati toccati.
Gate e promozione: le misure vengono confrontate con criteri di fase; una candidata può essere mantenuta, respinta o non promossa.
Classificazione finale: PASS, FAIL, PARTIAL, MIXED e “Validated senza verdetto terminale” rimangono categorie distinte.

Evidenze documentate sull'apprendimento continuo

La selezione seguente copre acquisizione, live/local learning, ritenzione, generalizzazione, scala e candidate non promosse. Non è un elenco di sole vittorie e non sostituisce le pagine delle singole fasi.

Fase	Cosa testa	Esito	Misura principale	Limite
F61-B	Self-learning speech senza label supervisionate dichiarate	Documented; nessun verdetto terminale	Dataset 1.050.147 byte; queue attiva; pseudo-word ratio 0	Non è un PASS terminale né una prova generale.
F96	Nuovi fatti e comportamento precedente	PASS	Nuovi fatti 10/10; probe 15/15; old behavior 5/5	Set controllato, non apprendimento aperto.
F268	Feedback e riparazione circoscritta	PASS	3/3; repair usato 3 volte; training non avviato	Loop locale, non continual learning generale.
F300	Live learning controllato e reload	PASS	4 nuovi fatti dopo reload; esperienze utili accettate e rumore respinto	Base invariata e percorso candidato isolato.
F301	Ritenzione dopo live learning	PASS	Old recall 10/10; 4 nuovi fatti; anti-forgetting 1	Score relativo al set della fase.
F514	Autonomous Learning Loop candidato	PASS	State score 0,4366; 5 intent; training avviato	Il nome non implica autonomia generale.
F515	Loop candidato su dati del test	PASS	State score 0,962; accepted ratio 1; 7 intent	Non prova robustezza open-world.
F607	Teach surface e richiamo dopo reload	Validated; nessun verdetto terminale	Reload recall 1; teach-mode pass = no; non promossa	Un sottogate negativo impedisce di chiamarla PASS pieno.
F608	Lifelong candidate 1K	Validated; nessun verdetto terminale	Direct/paraphrase/anti-forgetting 1; almeno 900 concetti salvati	Candidata non promossa.
F609	Lifelong candidate 10K	Validated; nessun verdetto terminale	Almeno 1.000 casi; recall e anti-forgetting 1	Candidata non promossa.
F610	Lifelong candidate 100K	Validated; nessun verdetto terminale	Almeno 1.000 casi; recall e anti-forgetting 1	Non dimostra lifelong learning illimitato.
F684	Espansione lifelong e ritenzione	PASS	100.206→150.236 concetti; direct recall e anti-forgetting 1	Conteggio di concetti, non parametri o intelligenza globale.
F698-C	Attivazione di componenti candidati	PARTIAL	Stack usato 4 volte; gate lifelong/feedback/association attivi	Non è integrazione ordinaria completa.
F879	Apprendimento causale e parafrasi	PASS	Direct e property recall 1; parafrasi ≥90%; anti-forgetting 1	Generalizzazione limitata al test registrato.

Quando l'apprendimento fallisce

Le prove negative delimitano ciò che i risultati positivi non consentono di affermare. Un componente può superare il proprio controllo mentre la fase complessiva fallisce.

Fase	Test	Esito registrato	Perché limita il claim
F65-H	Aggiornamento reale e generalizzazione su 1.000 prompt	FAIL; gate pass = no	Il richiamo locale non basta quando la generalizzazione non supera il gate.
F105	Blind failure learning su 99 casi	FAIL · PASS; fase failed	Un retest o componente PASS non converte il risultato terminale in successo.
F700	True blind freeze su 500 casi	FAIL · PASS; fase failed	Stack e self-eval usati al 100% non evitano il fallimento end-to-end.
F701	Failure Driven Corpus	FAIL · PASS; fase failed	Il target locale passa, ma lo stack non viene usato e la candidata non è promossa.
F705	Continuità a 5, 20, 50 e 100 turni	MIXED; FAIL_DO_NOT_PROMOTE	I riferimenti non vengono mantenuti e la non-promozione resta parte del risultato.

Questi fallimenti non dimostrano che “tutto il sistema non funziona”. Dimostrano invece che i claim devono restare vincolati al livello effettivamente superato e che integrazione, generalizzazione e continuità richiedono prove separate.

Apprendimento continuo e memoria persistente

La memoria persistente è necessaria in molti protocolli di continual learning perché consente di conservare stato o conoscenza tra passaggi e reload. Non è però sufficiente: un sistema può conservare dati senza acquisire una nuova capacità, e può acquisire qualcosa di nuovo degradando ciò che aveva appreso prima.

Per questo le prove più informative combinano nuovo recall, old-set retention, regressioni, eventuale generalizzazione e stato della candidata. Le spiegazioni complete su tipi di memoria, cold reload, Word Memory e benchmark 10M restano nell'hub sulla memoria persistente nell'intelligenza artificiale.

Limiti e rischi dell'apprendimento continuo

Forgetting e interferenza: il nuovo può degradare conoscenze o comportamenti precedenti.
Contaminazione: dati rumorosi, malevoli o fuori contesto possono introdurre associazioni indesiderate.
Informazioni errate: persistere un aggiornamento non lo rende vero; servono provenienza, correzione e rollback.
Drift: una sequenza di piccoli cambiamenti può allontanare il sistema dal comportamento validato.
Valutazione incompleta: un set ristretto può non rilevare regressioni, scorciatoie o fragilità fuori distribuzione.
Promotion risk: candidate e runtime promosso devono restare distinti; non-promozione e frozen state sono risultati significativi.
Privacy: quando nuovi dati persistono occorre considerare raccolta, provenienza, isolamento e cancellazione. Le fasi citate non dimostrano una copertura pubblica completa di questi controlli.

Elena documenta alcuni gate di isolamento, checkpoint, candidate promotion e regressione. Questa pagina non attribuisce protezioni universali dove l'archivio non fornisce una verifica specifica.

Come leggere gli esperimenti di Elena

Status non significa verdict: “Validated” descrive la classificazione del record, non equivale automaticamente a PASS.
Candidate non significa runtime promosso: una candidata può superare test circoscritti e restare non promossa.
PASS di componente non significa PASS end-to-end: F105, F700 e F701 conservano componenti PASS dentro fasi fallite.
Uno score perfetto appartiene al set definito: non dimostra assenza generale di forgetting o generalizzazione arbitraria.
Un fallimento è locale alla prova: limita il claim testato, non dimostra che ogni altra parte del sistema fallisca.
Training, checkpoint e reload vanno letti separatamente: alcune fasi cambiano stato candidato, altre dichiarano training non avviato o frozen checkpoint intatto.