Memoria persistente nell'intelligenza artificiale: ricerca ed evidenze di Elena AILL

Cos'è la memoria persistente nell'intelligenza artificiale

Durante una conversazione, un sistema può usare informazioni presenti soltanto nel contesto corrente. Quando la sessione o il processo termina, quella disponibilità temporanea può scomparire. Si parla invece di persistenza quando una rappresentazione viene conservata in modo da poter essere caricata o interrogata in una sessione successiva, dopo un riavvio o in un'altra fase del sistema.

Non esiste una sola implementazione universale. La persistenza può riguardare dati in un archivio esterno, uno stato interno serializzato, associazioni, fatti appresi o altre rappresentazioni. Occorre quindi specificare sempre che cosa è stato conservato, dove, per quanto tempo, con quale procedura di reload e con quale prova di recupero. La semplice presenza di un valore dopo il riavvio non prova che quel valore sia vero, rilevante o usato correttamente nella risposta.

Memoria persistente, Word Memory, sessione e documenti

Queste categorie possono interagire, ma non sono sinonimi. La pagina dedicata alla Word Memory tratta lo stato lessicale; questa pagina mantiene invece l'intento generale sulla persistenza e sulle sue prove.

Memoria interna e memoria esterna non sono la stessa cosa

Un database o una knowledge base conserva dati fuori dal modello o dal componente che produce la risposta. Un vector database indicizza rappresentazioni per similarità; un sistema RAG recupera contenuti esterni e li aggiunge al contesto prima della generazione. Uno stato interno persistente, invece, è una rappresentazione del sistema salvata e ricaricata nel percorso tecnico previsto. Queste soluzioni possono coesistere e nessuna, da sola, definisce tutta la “memoria” di un sistema AI.

Nelle sole fasi F187 e F188 il record dichiara RAG / Vector DB Used = No. Questo dato delimita quei test di memoria documentale: non autorizza l'affermazione generale che Elena non utilizzi mai database, retrieval o altre forme di memoria esterna in ogni componente o versione.

Come Elena verifica la memoria dopo il riavvio

Una prova di persistenza richiede più del controllo che un file esista. Il protocollo concettuale documentato nelle fasi pertinenti comprende:

1. definizione dello stato o dei fatti iniziali;
2. apprendimento o consolidamento nel perimetro della prova;
3. salvataggio dello stato candidato;
4. reload o cold reload in un nuovo processo o contesto previsto dal test;
5. richiamo dei fatti attesi;
6. prove di parafrasi o collegamento tra fatti, quando previste;
7. controlli di regressione e anti-forgetting sulle informazioni precedenti.

In F187 — Document Controlled Consolidation sono stati richiamati 6 fatti su 6 dopo reload. F188 — Document Memory Cold Reload registra 10 controlli su 10, inclusi 6/6 casi di parafrasi e 2/2 cross-fact. F273 — Memory Consolidation Controlled registra 8 fatti richiamati dopo reload e un conteggio passato da 111.081 a 111.089. F274 — Memory Cold Reload registra semantic recall 10/10 e cross-fact 2/2.

Questi PASS valgono per i set, gli stati e le procedure registrate. Non rivalidano automaticamente ogni comportamento downstream, non dimostrano richiamo perfetto su dati arbitrari e non trasformano un componente candidato nel runtime universale corrente.

Evidenze documentate: successi, limiti e fallimenti

La tabella conserva intenzionalmente risultati negativi e record senza verdict terminale. Sono necessari per capire cosa è stato misurato e dove la prova non sostiene un claim più ampio.

Il benchmark 10M: cosa misura e cosa non misura

Il benchmark è un singolo run di memoria persistente configurato con 10.000.000 di sample facts. Il valore finale di 10.833.323 learned facts è cumulativo, perché il run riprendeva uno stato precedente. Non rappresenta il numero di parametri del modello.

Il singolo run ha ottenuto PASS secondo i criteri registrati; una suite estesa successiva ha ottenuto FAIL complessivo. I due risultati restano separati. Il benchmark non è uno score globale dell'intelligenza di Elena e non dimostra che un particolare stack sia il runtime universale corrente. Metriche e confini completi sono nella pagina Benchmark 10M di memoria persistente.

Memoria, apprendimento continuo e catastrophic forgetting

Persistenza e continual learning non sono equivalenti. La prima riguarda la disponibilità dello stato nel tempo; il secondo richiede che il sistema acquisisca nuove informazioni preservando, quando previsto, conoscenze o prestazioni precedenti. Il problema comprende il rapporto tra plasticità, cioè capacità di cambiare, e stabilità, cioè capacità di non perdere ciò che era già stato appreso.

F68, F275 e F301 registrano controlli anti-forgetting. Le fasi F608, F609 e F610 documentano test candidati a scala crescente, ma non hanno un verdict terminale registrato e le candidate non risultano promosse. F684 registra PASS nel proprio test di espansione. F700 resta una fase failed nonostante un PASS di componente.

Score perfetti su set circoscritti non dimostrano l'assenza generale di catastrophic forgetting. Gli esperimenti di adattamento locale e i loro gate sono trattati nell'hub dedicato agli esperimenti di autoapprendimento.

Limiti, sicurezza e privacy della memoria persistente

Uno stato durevole può conservare anche informazioni errate, contaminazioni o istruzioni malevole. Il memory poisoning può produrre effetti ritardati: un contenuto acquisito in un momento può influire su recupero, selezione o comportamento successivi. Provenienza, autorizzazione alla scrittura, isolamento tra utenti o contesti, possibilità di correzione e cancellazione e trattamento dei dati personali sono quindi problemi centrali, non dettagli accessori.

L'archivio Elena documenta in alcune fasi controlli circoscritti su contaminazione, regressione, stato e richiamo. Non pubblica però, in questa pagina, una verifica completa che dimostri isolamento multiutente, cancellazione garantita, governance della privacy o resistenza generale al poisoning. Questi punti devono essere considerati limiti o requisiti da verificare, non protezioni già dimostrate.

Come leggere le prove di Elena

• Status e verdict sono distinti. “Validated” descrive la classificazione del record, ma non significa automaticamente PASS.
• Una candidate non è un runtime promosso. Un componente può superare il proprio test senza essere attivo nel percorso ordinario.
• Un PASS singolo resta locale. Vale per set, stato, procedura e gate dichiarati.
• Un benchmark non è una prova universale. Scala, richiamo o persistenza non misurano da soli comprensione o intelligenza generale.
• I risultati negativi restano visibili. FAIL, PARTIAL e risultati misti impediscono di trasformare l'archivio in una sequenza artificiale di successi.

Approfondimenti tecnici