Chi è Elena? Perché esiste Elena AILL

La domanda da cui è iniziato tutto

Continuo a tornare sulle stesse domande.

Può un’intelligenza artificiale apprendere davvero nel tempo?

Può incontrare qualcosa che prima non conosceva, modificare il proprio stato interno e utilizzare più avanti ciò che ha appreso?

Può conservare qualcosa di utile per mesi, anni o, un giorno, forse molto più a lungo, invece di dipendere continuamente da una nuova sessione o da un nuovo ciclo completo di addestramento?

Può un’esperienza modificare ciò che il sistema ha appreso?

È questa la domanda che mi interessa davvero.

Elena AILL nasce dal tentativo di trasformarla in esperimenti verificabili.

Non so ancora quale sia il limite di questa strada. Memoria molto lunga, maggiore efficienza o apprendimento generale non vengono presentati qui come risultati già raggiunti. Sono domande che il progetto prova a scomporre in problemi più piccoli e misurabili.

Perché esplorare una strada diversa

Non volevo che Elena fosse soltanto un altro sistema capace di generare testo.

RAG, database, documenti esterni e sistemi di retrieval sono strumenti utili. Ma recuperare qualcosa che è stato salvato e modificare ciò che un sistema ha imparato sono due problemi diversi.

La domanda che mi interessa è questa:

se Elena incontra una nuova informazione o una nuova esperienza, può cambiare qualcosa dentro il sistema stesso?

E quel cambiamento può essere riutilizzato in seguito?

Per questo la ricerca distingue il recupero di informazioni esterne dall’apprendimento interno.

L’obiettivo è esplorare un sistema nel quale conoscenze, relazioni e comportamento possano modificarsi progressivamente e, quando le prove lo confermano, persistere e influenzare elaborazioni successive.

Non ogni componente di Elena ha già raggiunto questo obiettivo. È precisamente ciò che le diverse fasi cercano di verificare.

Cosa significa apprendere in questa ricerca

Per me, salvare una frase non basta per dire che Elena ha imparato.

Una prova più interessante deve separare diversi problemi.

Un’informazione prima assente dovrebbe produrre un cambiamento misurabile.

Quel cambiamento dovrebbe poter essere conservato quando il test richiede persistenza.

Dopo un salvataggio e una ricarica, dovrebbe essere ancora disponibile.

E soprattutto dovrebbe poter essere utilizzato correttamente in un caso collegato, senza limitarsi a ripetere una risposta memorizzata.

Allo stesso tempo, imparare qualcosa di nuovo non dovrebbe distruggere continuamente ciò che era già utile.

Per questo nel progetto tratto come problemi distinti: apprendimento, persistenza, richiamo, correttezza, trasferimento e anti-oblio.

Un checkpoint che si ricarica dimostra che uno stato è stato ripristinato.

Non dimostra automaticamente che quello stato rappresenti conoscenza corretta o che Elena sappia utilizzarlo bene in qualunque situazione.

L’idea nel lungo periodo

La visione è arrivare a un sistema artificiale capace di continuare a costruire la propria esperienza nel tempo.

Un sistema che possa leggere nuovo materiale, analizzarlo, integrare ciò che riesce realmente ad apprendere e consolidare informazioni utili senza richiedere necessariamente un fine-tuning globale completo per ogni aggiornamento.

Nel lungo periodo, un sistema di questo tipo potrebbe accompagnare una persona, un progetto di ricerca o un’azienda mantenendo una continuità molto più lunga di quella di una singola sessione.

Per me il punto non è soltanto quante informazioni riesca a contenere Elena.

Il punto è capire se quello che impara oggi può diventare parte di quello che saprà utilizzare domani.

Questa rimane una visione di ricerca.

Elena non ha dimostrato memoria per decenni, integrazione automatica di qualunque documento o apprendimento autonomo generale.

Cosa renderebbe Elena davvero diversa

Non basta assegnare nomi nuovi ai componenti.

Non basta nemmeno ottenere una risposta convincente una volta.

Elena sarebbe realmente interessante se esperimenti controllati riuscissero a mostrare insieme alcune proprietà: apprendimento persistente, riuso causale di ciò che è stato appreso, aggiornamenti locali, protezione dall’oblio e generalizzazione oltre i casi utilizzati per costruire una candidata.

Anche l’efficienza deve essere misurata.

Se un giorno volessi dire che un determinato metodo usa meno memoria, meno energia o meno tempo, dovrei poter mostrare misure reali di memoria, latenza, hardware e consumo.

Lo stesso vale per qualsiasi confronto con esseri umani, LLM o altre architetture.

“Più potente” da solo non significa nulla.

Servono un compito preciso, una baseline, un protocollo e un risultato.

L’ambizione indica la direzione; le prove ripetibili devono stabilire la conclusione.

Cosa documenta oggi l’archivio

L’archivio di Elena AILL contiene 849 record canonici di fase.

Una fase non corrisponde necessariamente a un componente attivo del sistema.

Le fasi documentano esperimenti, versioni candidate, correzioni, benchmark, fallimenti, passaggi intermedi e percorsi successivamente superati.

Il lavoro riguarda, tra le altre cose: memoria persistente, linguaggio, apprendimento locale, ragionamento strutturato, consolidamento, sistemi interni di valutazione, output controllato e costruzione di benchmark.

Percorsi storici come GLIA, SenzaAdam, Big Brain e SPEAK-NEW rimangono documentati perché mostrano come l’architettura è cambiata nel tempo.

Essere presenti nell’archivio non significa essere automaticamente parte del runtime corrente.

Anche le milestone devono essere lette nel loro contesto.

Per esempio, la milestone 10M documenta uno specifico run di memoria persistente basato su un insieme di fatti campione. Non indica un modello da dieci milioni di parametri. Il risultato del run originale deve inoltre rimanere distinto dalle verifiche successive che hanno prodotto risultati differenti.

L’archivio serve proprio a conservare queste differenze invece di appiattirle in una sola storia di successi.

Dove si trova Elena oggi

Elena non è un sistema completato.

Oggi il progetto dispone di componenti documentati per memoria, elaborazione linguistica, pianificazione, valutazione, persistenza e altri percorsi sperimentali.

Alcuni test interni hanno superato i propri gate, mentre prove esterne più difficili hanno mostrato limiti importanti.

Per questo non presento Elena come un language model generale, come un sistema concluso o come un’intelligenza artificiale capace di rispondere correttamente a qualunque richiesta.

Lo stato tecnico dettagliato, compresi i benchmark e i risultati delle singole fasi, rimane consultabile nell’archivio.

Il limite attuale non è qualcosa da nascondere.

È parte del risultato.

Perché pubblico anche i fallimenti

Non sono partito dalla certezza di avere già una soluzione.

Se una fase fallisce, voglio sapere perché.

Se una candidata funziona soltanto in un benchmark circoscritto, quel risultato deve restare circoscritto.

Se una correzione successiva risolve un problema, non deve riscrivere retroattivamente ciò che era accaduto nella fase precedente.

Un esperimento fallito può identificare un collo di bottiglia con maggiore onestà di una dimostrazione costruita per apparire perfetta.

Per questo nell’archivio rimangono fasi validate, documentate, parziali, miste, fallite e superate.

Pubblicare anche gli esiti negativi rende più difficile confondere: il PASS di un componente con il PASS dell’intero sistema.

L’archivio non racconta una linea perfetta.

Racconta il percorso.

Chi c’è dietro il progetto

Mi chiamo Stefano Pace e sono il fondatore del progetto indipendente Elena X Vora, scritto anche ElenaxVora.

Elena AILL è il progetto di ricerca.

Elena AILL Research / AILL Research è l’archivio pubblico attraverso cui ne documento fasi, benchmark, risultati e limiti.

Quello che sto cercando di fare è trasformare una visione personale in qualcosa che possa essere messo alla prova.

Una fase può funzionare. Può fallire. Può essere corretta. Può essere superata.

Quello che conta è che sia possibile distinguere ciò che volevo ottenere da ciò che l’esperimento ha realmente mostrato.

La credibilità del progetto non deve dipendere da uno slogan o da un nome importante associato alla ricerca. Deve dipendere da ciò che riesco realmente a documentare: evidenze tracciabili, benchmark leggibili, risultati conservati e dalla disponibilità a dire chiaramente quando qualcosa non ha ancora funzionato.

La domanda rimane aperta

Non conosco ancora il limite finale di questa strada.

È proprio questa incertezza a motivare il progetto.

La domanda rimane:

stato persistente, apprendimento locale, consolidamento della memoria, elaborazione linguistica strutturata e valutazione possono diventare parti di un unico sistema capace di cambiare realmente nel tempo senza dover ricominciare continuamente da zero?

Elena non viene presentata come una risposta definitiva.

Non viene presentata come un’entità cosciente.

Non viene presentata come un’intelligenza già superiore agli esseri umani o ai modelli esistenti.

È una domanda costruita fase dopo fase.

Non voglio rispondere con uno slogan.

Voglio arrivarci attraverso ciò che gli esperimenti riescono realmente a dimostrare.