Meccanismi interni · Evidenze e causalità

Meccanismi di apprendimento nell'intelligenza artificiale: sistemi interni, prove e limiti di Elena AILL

Un sistema che modifica il proprio stato non sta necessariamente dimostrando apprendimento. Un aggiornamento può limitarsi a salvare un dato, ricalcolare una priorità, consolidare una candidata o valutare una risposta. Per parlare di learning nel perimetro di un test servono almeno, quando disponibili, una baseline, un update, un cambiamento misurabile, una metrica utile, un controllo sulle conoscenze precedenti e uno scope che distingua candidata e runtime ordinario.

Elena AILL è qui un caso sperimentale documentato. La pagina non presenta una teoria universale: separa ciò che è implementato da ciò che viene chiamato, modifica stato, persiste, influenza l'output o supera un'ablation. I risultati restano circoscritti ai relativi protocolli, inclusi quelli negativi.

Come può apprendere un sistema di intelligenza artificiale

In termini generali, un sistema può essere descritto come apprendente quando usa dati, esperienza o feedback per produrre una modifica valutabile nel comportamento o nelle prestazioni. Il criterio non è la sola presenza di memoria: occorre confrontare uno stato precedente con quello successivo, misurare l'effetto su casi pertinenti e controllare che il nuovo risultato non nasconda regressioni importanti.

Le procedure possibili sono diverse. Un modello può aggiornare parametri, una memoria può acquisire fatti, un agente può modificare una policy, un sistema simbolico può consolidare regole o un percorso candidato può essere accettato soltanto dopo gate e test. Nessuna singola implementazione costituisce la definizione universale.

Aggiornare uno stato non significa necessariamente imparare

La classificazione seguente impedisce di chiamare “apprendimento” qualunque mutazione interna. Uno stesso esperimento può attraversare più classi: per esempio una scrittura di memoria può diventare parte di un test di learning soltanto quando il nuovo contenuto viene verificato insieme alla ritenzione del precedente.

Classe	Significato operativo	Cosa serve per sostenerla	Cosa non dimostra
LEARNING	Un update produce un miglioramento misurato nel compito definito.	Baseline, delta, metrica utile, regressioni e scope.	Capacità generale o apprendimento illimitato.
UPDATE ONLY	Cambia stato o peso senza prova sufficiente di miglioramento utile.	Delta di stato riproducibile.	Learning end-to-end.
MEMORY WRITE	Registra informazione richiamabile o stato serializzato.	Scrittura, lettura e, se dichiarata, prova dopo reload.	Adattamento o generalizzazione.
CONSOLIDATION	Riorganizza o rafforza stato esistente.	Confronto pre/post e gate del candidato.	Attività autonoma continua.
CANDIDATE	Versione valutata ma non necessariamente promossa.	Identità, gate e decisione di promotion.	Uso nel runtime ordinario.
EVALUATION	Accetta, rivede, rinvia o blocca un risultato.	Decisione causale del gate.	Acquisizione di nuova conoscenza.
STATE UPDATE	Aggiorna contesto o variabili operative.	Delta osservato e durata nota.	Persistenza o learning.
UNKNOWN	Presenza o chiamata senza prova sufficiente dell'effetto utile.	Nuovi probe, controlli o ablation.	Qualunque capacità positiva.

I meccanismi interni studiati in Elena

La matrice distingue sette moduli pubblici e tre meccanismi collegati. Gli status non sono equivalenti: current, candidate, default-off, offline e strutturale indicano perimetri differenti.

Meccanismo	Funzione	Status	Classificazione	Causalità	Persistenza	Limite
Stato interno persistente	Registra trace e payload candidati.	CURRENT PARTIAL / CANDIDATE	MEMORY WRITE · STATE UPDATE	Delta e reload circoscritti.	Candidata selezionata.	Persistenza non prova correttezza.
Feedback locale	Applica segnali locali allo stato candidato.	FULL-CANDIDATE · DEFAULT-OFF	UPDATE ONLY	State delta sì; effetto output indipendente no.	Stato selezionato.	Non è continuamente attivo.
Priorità interna	Ordina azioni usando rilevanza, salienza e gate.	CANDIDATE / CONDIZIONALE	STATE UPDATE	Integrazione strutturale.	Ricalcolata.	Non produce parole direttamente.
Consolidamento offline	Riorganizza stato candidato fuori dal percorso live.	OFFLINE-ONLY · ESPLICITO	CONSOLIDATION	Effetto sul payload candidato.	Solo dopo save/reload approvato.	Non avviene automaticamente durante la chat.
Associazione concettuale	Costruisce collegamenti fra concetti registrati.	CANDIDATE · DEFAULT-OFF	UPDATE ONLY / UNKNOWN	Collegata, senza selezione live uniforme.	Edge candidati.	Influenza sull'output non uniforme.
Analogia e inferenza euristica	Propone evidenze candidate dalle associazioni.	CANDIDATE / STRUTTURALE	UNKNOWN	Selezione live non dimostrata.	Indipendente non provata.	Non equivale a intuizione umana.
Autovalutazione	Accetta, rivede, deferisce o blocca output.	GUARD CURRENT · LOOP CANDIDATE	EVALUATION	Effetto diretto sui gate.	Ricalcolata per risposta.	Non acquisisce da sola conoscenza.
Carryover conversazionale	Trasferisce contesto compatibile fra turni.	CURRENT	STATE UPDATE	Effetto diretto circoscritto.	Volatile.	Non è memoria a lungo termine.
Stack cognitivo integrato	Orchestra stato, feedback, priorità, associazione e evaluation.	FULL-CANDIDATE	CANDIDATE	Indiretto e gated in alcuni turni.	Stato candidato.	Non governa uniformemente la pipeline.
Checkpoint evolution scorecard	Valuta candidate prima del salvataggio.	OFFLINE-ONLY	CANDIDATE · EVALUATION	Decisione del gate.	Candidate only.	Non implica promozione automatica.

Come si verifica se un meccanismo ha davvero effetto

La presenza di codice è soltanto il primo livello. Ogni passaggio della ladder richiede evidenza aggiuntiva e non può essere dedotto dal precedente.

IMPLEMENTEDIl componente esiste.

CALLEDIl percorso lo invoca.

CHANGES STATELa chiamata produce un delta.

PERSISTSIl delta sopravvive nel perimetro dichiarato.

AFFECTS OUTPUTIl cambiamento modifica causalmente l'esito.

ABLATION VERIFIEDRimuoverlo degrada il risultato rispetto al controllo.

implemented != called != state-changing != persistent != output-causal != ablation-verified. Nell'audit Elena tutti e sette i moduli risultano implementati; chiamata, persistenza e influenza dipendono invece dal runtime ordinario, dalla modalità candidata o dal percorso offline. Carryover e response guards hanno un percorso diretto; lo stack è indiretto e condizionale; association e analogy non mostrano un effetto live uniforme.

Aggiornamenti locali e plasticità

Un micro-update modifica una parte circoscritta dello stato o dei pesi usando un segnale locale. Nei record Elena compaiono feedback locale, update Hebbian/plastic e micro-update candidati. Questi termini descrivono il meccanismo, non garantiscono che la risposta finale migliori.

F69 registra consolidamento Hebbian con old recall 9, new sample 100 e 325 sinapsi nel proprio test; lo status è Validated senza verdict terminale registrato. F686 registra reload, anti-forgetting 1 e miglioramenti su noisy/document recall nel candidato. Sono evidenze circoscritte: non autorizzano a generalizzare componenti storici o candidate al runtime corrente.

Confine. Un delta locale può essere reale e riproducibile ma restare UPDATE ONLY se non è collegato a una metrica utile, a controlli sul precedente e a un effetto nel percorso valutato.

Feedback interno e consolidamento

Il feedback locale raccoglie un segnale e aggiorna uno stato candidato. Il consolidamento decide invece come mantenere, rafforzare o riorganizzare informazioni già disponibili. I due passaggi possono cooperare, ma non sono sinonimi.

Nel perimetro di F686 il percorso è candidate e default-off rispetto al runtime HTTP ordinario. La variazione di stato e il cold reload sono documentati, mentre un'influenza indipendente e uniforme sul testo finale non è dimostrata. I response guards correnti appartengono alla valutazione, non trasformano automaticamente il feedback in learning.

Consolidamento online e offline

Un aggiornamento online avviene durante un flusso operativo controllato; un percorso offline opera fuori dalla risposta live e richiede invocazione esplicita. Il nome tecnico/storico dream indica qui uno scheduler di consolidamento: non descrive sogni psicologici e non dimostra un processo autonomo continuo durante la conversazione.

Il percorso offline può ricostruire associazioni, calcolare una scorecard e produrre una candidata salvabile oppure un gate fallito. Solo una candidata approvata e ricaricata conserva l'aggiornamento; frozen e stable non vengono automaticamente sostituiti.

Candidate, gate e promozione

candidate tested != candidate promoted != ordinary runtime. Una candidata può superare metriche locali e restare non promossa perché lo scope è insufficiente, un controllo fallisce o l'integrazione end-to-end non è dimostrata.

F610 registra direct recall, paraphrase recall e anti-forgetting pari a 1 su un test candidato, ma `candidate promoted=false`. F689 conserva un pass candidato nello status Partial, ancora senza promozione. La checkpoint evolution scorecard è un gate offline: decide se uno stato candidato è salvabile, non garantisce la sua attivazione nel percorso ordinario.

Evidenze documentate

La selezione copre stato, feedback, consolidamento, carryover, stack candidato, evaluation, priorità, serializzazione, association e promotion. “Validated” resta uno status editoriale e non viene convertito automaticamente in PASS.

Fase	Cosa testa	Status / verdict	Cosa supporta	Cosa non supporta
F68	Anti-oblio circoscritto.	Validated · nessun verdict terminale	Old recall 9; new sample 100; score 1.	Assenza generale di forgetting.
F69	Consolidamento Hebbian.	Validated · nessun verdict terminale	Ritenzione e 325 sinapsi nel test.	Learning generale.
F233	Cognitive state core.	Validated · PASS	Goal/action/details 6/6.	Architettura cognitiva universale.
F610	Scala lifelong candidata.	Validated · non promossa	Recall e anti-forgetting nel set.	Runtime promosso.
F668	Carryover/reasoning mouth.	Validated · PASS	Continuità circoscritta.	Memoria persistente lunga.
F686	Feedback e consolidamento candidato.	Validated · KEEP	Delta, reload e test di ritenzione.	Attività ordinaria continua.
F688	Loop interno integrato.	Validated · nessun verdict terminale	Uso strutturale di priority e consolidation.	Causalità completa dei moduli.
F689-B	Follow-up anti-scorciatoia.	Validated · anticheat pass	Controlli empty/random nel perimetro.	Universalità dello stack.
F698-D	Influenza full-candidate e reload.	Validated · nessun verdict terminale	Influenza in alcuni turni.	Influenza su ogni risposta.
F760	Contratto self-evaluation.	Validated · KEEP_CLEANUP	Gate e smoke circoscritti.	Correttezza illimitata.
F772	Priorità interna.	Validated · KEEP_CLEANUP	Ranking tecnico.	Acquisizione di conoscenza.
F778	Stack e micro-update.	Validated · KEEP_CLEANUP	Contratto candidato.	Promozione generale.
F779	Serializzazione dello stato.	Validated · KEEP_CLEANUP	Valori ripristinati e trace.	Memoria semantica generale.

Quando un update non dimostra apprendimento

I risultati negativi e i confini sono parte della prova. Mostrano perché un punteggio locale, una chiamata o un delta non bastano.

Fase	Risultato	Limite imposto al claim
F688-B	Integrity no; benchmark troppo ristretto e leakage flags.	Il primo loop benchmark non prova causalità robusta.
F689-A	BENCHMARK_WEAKNESS_FOUND; candidata 1, clean blind 0,8375.	Un candidate score alto non basta; la fase è Failed.
F689	Status Partial; candidate promoted=false.	Pass candidato non equivale a runtime ordinario.
F698-C	Componenti usati, ma integrazione Partial.	Called non equivale a output-causal.
F709-B	Default integrated stack false; generatore non realizza uniformemente il meaning.	Lo stack non governa l'intera pipeline.
F686	Delta e reload nel candidato.	Non prova attività ordinaria o output effect indipendente.
F853	Verifica strutturale senza training o modifica checkpoint.	Cleanup/test non è nuovo learning.
F857 + audit V2	Association collegata, senza selezione live uniforme.	Presenza strutturale non dimostra influenza.

Meccanismi interni e apprendimento continuo non sono la stessa cosa

Questo hub descrive come componenti specifici aggiornano, valutano, consolidano, ordinano, salvano o sottopongono a gate uno stato. L'apprendimento continuo riguarda invece l'acquisizione progressiva di nuove conoscenze insieme alla ritenzione del precedente, alla generalizzazione e al catastrophic forgetting. Un meccanismo interno può contribuire al protocollo senza dimostrare da solo continual learning.

Allo stesso modo, una scrittura o persistenza di memoria dimostra conservazione e richiamo nel relativo test, non automaticamente apprendimento. La mappa generale del runtime resta proprietà dell'hub Architecture; qui interessano soltanto i percorsi che modificano o valutano stato. Le pipeline di linguaggio e ragionamento sono collegate quando ricevono un'influenza, ma non vengono duplicate.

Limiti, sicurezza e privacy

Non esiste una verifica pubblica completa per tutti i rischi di un sistema che aggiorna o conserva stato. Restano problemi aperti: dati errati, contaminazione, update indesiderati, provenienza delle informazioni, correzione, isolamento fra contesti, cancellazione e privacy. La presenza di gate o candidate non autorizza a dichiarare risolti questi punti.

Gli esperimenti non dimostrano apprendimento autonomo generale, attività continua di ogni modulo, persistenza di ogni aggiornamento o influenza uniforme sull'output. I nomi tecnici come dream, analogy o self-evaluation non implicano sogni psicologici, intuizione umana o autocoscienza.