AGI e IA del futuro

L’IA nel 2027: la memoria sarà la prossima prova dell’intelligenza delle macchine

Jonas Reeve
Aggiungi Unite.AI alle tue fonti preferite su Google
A layered translucent memory architecture containing distinct archived fragments, a focused bright retrieval path connecting an earlier layer to a present reasoning core, with one obsolete fragment gently dimmed and a revised fragment in focus.
Punti chiaveI test di memoria valuteranno la correzione e l'astensione piuttosto che il semplice…
Vedi di più
  • I test di memoria valuteranno la correzione e l'astensione piuttosto che il semplice richiamo dei fatti.
  • La memoria strutturata selezionata dovrebbe superare la cronologia completa indifferenziata in confronti controllati.
  • I prodotti assistente esporranno la provenienza e l'ambito di ciò che conservano per gli utenti.

Un assistente ricorda che Maya è la responsabile del progetto. Poi Maya lo affida a qualcun altro. Il giorno dopo, l’assistente le assegna con sicurezza un altro compito. Ha conservato un’informazione, ma ha perso di vista la realtà. Questo piccolo errore racchiude un problema molto più ampio per l’intelligenza delle macchine.

La memoria è utile solo se un sistema sa decidere che cosa è ancora valido, che cosa merita di essere recuperato e che cosa va modificato o dimenticato. Nel 2027, queste decisioni saranno una prova delle capacità del sistema più significativa della quantità di informazioni che un modello riesce a conservare.

La memoria è già presente in diverse forme. MemGPT ha esplorato la gestione gerarchica del contesto. Titans ha introdotto un modulo di memoria neurale aggiornato durante la fase di test. I controlli di personalizzazione di Gemini di Google e i controlli della memoria di Copilot di Microsoft descrivono le modalità di conservazione delle informazioni visibili agli utenti e le relative opzioni. Non si dovrebbero ricondurre questi meccanismi a un’unica capacità: recuperare un’informazione salvata, mantenere il contesto e aggiornare i parametri appresi offrono possibilità diverse e comportano modalità di errore diverse.

Le previsioni che seguono riguardano i progressi osservabili nell’ambito di questi meccanismi. Non associano a un punteggio sulla memoria una data di arrivo dell’AGI, né deducono la coscienza dalla capacità di un sistema di conservare informazioni.

1. I test della memoria andranno oltre il semplice richiamo dei fatti

È facile celebrare il fatto di ricordare la risposta di ieri, finché quella risposta non si rivela sbagliata. Nel 2027, le nuove valutazioni della memoria metteranno alla prova, nello stesso test, la capacità di correggersi, astenersi quando è opportuno e usare le esperienze precedenti. Il sistema dovrà fare più che recuperare una frase simile alla domanda. Dovrà riconoscere quando il passato è rilevante e quando, invece, basarsi su di esso peggiorerebbe la risposta attuale.

Ragionare nel tempo è più impegnativo che trovare la frase giusta. Un cliente potrebbe aver ricevuto un rimborso, una norma potrebbe essere scaduta oppure un’eccezione potrebbe essere stata applicabile a un solo caso. L’assistente deve ricostruire quale situazione è rilevante al momento. A tal fine servono valutazioni che includano aggiornamenti contraddittori, limiti temporali espliciti e domande a cui le informazioni disponibili non consentono di rispondere.

LongMemEval valuta già capacità che comprendono il ragionamento temporale, l’aggiornamento delle conoscenze e l’astensione. È quindi inesatto descrivere tutte le precedenti valutazioni della memoria come semplici prove di richiamo. LongMemEval-V2, introdotto nel 2026, amplia il dibattito includendo l’esperienza specifica di un ambiente: flussi di lavoro, cambiamenti di stato e dettagli operativi ricorrenti. Le sue 451 domande selezionate illustrano la differenza tra ricordare una conversazione e diventare utile in uno specifico ambiente di lavoro.

LoCoMo offre un altro importante termine di paragone: utilizza conversazioni lunghe sottoposte a verifica e revisione umane. La sua struttura mette in luce anche un problema metodologico: le cronologie di conversazione generate possono presentare una struttura più ordinata rispetto ai documenti contraddittori e incompleti del lavoro quotidiano. Superare un benchmark basato su queste cronologie non dimostra che la memoria sia affidabile in ogni contesto di utilizzo.

Prevedo che si affermeranno combinazioni più solide di questi requisiti. Un agente dovrebbe ricordare che un flusso di lavoro non ha funzionato, riconoscere perché quell’esperienza è rilevante per un’attività successiva ed evitare di applicare la lezione quando le condizioni in cui vale non sussistono più. Per verificarlo, occorre valutare il legame tra le informazioni conservate e una decisione successiva, anziché premiare la riproduzione di una frase presente da qualche parte nei documenti.

Che cosa osservare nel 2027

Prestate attenzione alle valutazioni della memoria che verificano come si comporta un agente dopo il cambiamento di un fatto, quando le informazioni disponibili sono incomplete o quando una lezione precedente diventa rilevante per una nuova attività. Compiti pubblici e metodi di valutazione renderanno più semplice misurare i progressi. Un aumento dei soli punteggi di richiamo fornirebbe prove limitate dell’affidabilità della continuità tra una sessione e l’altra.

Che cosa significa per le aziende

I team che valutano assistenti con memoria persistente dovrebbero creare test a partire dai cambiamenti che si verificano nel loro lavoro: norme aggiornate, responsabili riassegnati, preferenze scadute e documenti incompleti. Verificate se l’agente modifica il proprio comportamento e riconosce l’incertezza. Questi casi possono far emergere debolezze operative che una dimostrazione della capacità di ricordare nomi o preferenze non rivelerebbe.

2. Nei test controllati, la memoria selettiva supererà una cronologia indifferenziata

Una cronologia più lunga può offrire più occasioni di confusione. In un contesto esteso, un’istruzione obsoleta, un aneddoto ripetuto e un’osservazione utile possono contendersi l’attenzione. Nelle valutazioni controllate del 2027, mi aspetto che una memoria selettiva e strutturata superi di un margine significativo una cronologia completa e indifferenziata. Mantenere costanti il modello di base e le informazioni disponibili renderà il risultato particolarmente interessante: il vantaggio deriverebbe dall’organizzazione dell’esperienza, non semplicemente dall’impiego di un modello più potente.

L’idea di fondo è che una memoria utile selezioni e organizzi le informazioni. Può distinguere un fatto attuale da uno non più valido, conservare le prove alla base di una decisione o recuperare una lezione appresa da un flusso di lavoro nel momento in cui serve. La trascrizione completa rende disponibili tutti i dettagli, ma lascia anche al modello il compito di ricostruire la situazione rilevante per ogni nuova domanda.

Questa intuizione non è una garanzia. Un sistema di sintesi può eliminare l’unico dettaglio che servirà in seguito. Un sistema di recupero può non riuscire a trovare un evento pertinente. Un processo di indicizzazione può trattare una congettura del modello come un fatto accertato. Il contesto completo può essere un termine di paragone più solido quando la risposta dipende da un dettaglio sottile che il sistema di gestione della memoria ha scartato.

Lo spazio delle possibili soluzioni è già visibile nel articolo su LongMemEval, che esamina le scelte di indicizzazione, recupero e lettura. La gerarchia di MemGPT propone un approccio precedente, a livello di sistema, per gestire ciò che può rientrare nel contesto attivo. Si tratta di contributi di ricerca su soluzioni sottoposte a valutazione. La loro esistenza non dimostra il vantaggio di 10 punti né la replica indipendente richiesti dalla mia previsione.

I casi più rivelatori riguarderanno gli aggiornamenti e i vincoli temporali. Se un cliente ha cambiato indirizzo due volte, per rispondere correttamente potrebbe essere necessario fornire l’ultimo valore autorizzato e indicare da quando è valido. Una rappresentazione dello stato gestita con cura può rendere esplicita questa distinzione. Una cronologia non strutturata può comunque contenere tutti i fatti, ma offrire al modello più occasioni per selezionare quello sbagliato.

Cosa osservare nel 2027

Prestate attenzione ai confronti in cui la memoria strutturata e il contesto basato sull’intera cronologia accedono alle stesse informazioni tramite lo stesso modello di base. I risultati più solidi si baseranno su domande inedite e renderanno noti i costi di scrittura della memoria, oltre all’accuratezza delle risposte. I miglioramenti che dipendono dal troncamento della cronologia usata per il confronto o dalla selezione delle prove conoscendo in anticipo la risposta sarebbero meno convincenti.

Cosa significa per le aziende

Valutate la progettazione della memoria come parte dell’architettura dell’applicazione. Confrontate il recupero delle informazioni, i riepiloghi, lo stato strutturato e un contesto più ampio su attività rappresentative, incluse le correzioni e le registrazioni contraddittorie. Tenete conto dei costi di manutenzione della memoria e di correzione degli errori. Una maggiore capacità di contesto può essere utile, ma il team deve comunque verificare che il sistema recuperi e applichi le informazioni corrette.

3. I prodotti con memoria renderanno visibili le prove alla base di ciò che conservano

Un assistente che ricorda qualcosa di te dovrebbe poter mostrare da dove proviene e permetterti di correggerla. Questa aspettativa sembra normale, finché un ricordo non viene dedotto da più conversazioni e riutilizzato in contesti diversi. Nel 2027, i principali prodotti di assistenza renderanno più ispezionabili alcune di queste relazioni. Il progresso concreto consisterà in una memoria che l’utente possa mettere in discussione, modificare o rimuovere, sapendo con chiarezza dove potrebbe essere utilizzata.

Una voce in memoria è più utile quando l’utente può chiedere da dove proviene e da che cosa dipende. Una preferenza espressa in una conversazione ha uno status diverso da un fatto dedotto da più documenti. Un’inferenza errata dovrebbe poter essere corretta senza costringere l’utente a individuare tutte le risposte successive che potrebbe aver influenzato.

Esistono già controlli importanti. La documentazione sulla privacy di Microsoft distingue le impostazioni della memoria dalla cronologia delle conversazioni e da altre opzioni di personalizzazione. L’annuncio di Google sulle chat temporanee e sulla personalizzazione descrive le opzioni relative all’uso delle conversazioni precedenti. Anche l’annuncio di Google del 2026 sull’importazione di chat e memoria mostra come il contesto persistente stia diventando una funzionalità di portabilità. La previsione riguarda controlli integrati più efficaci, non l’introduzione di un pulsante per eliminare i dati.

La provenienza deve essere descritta con sufficiente precisione da poter essere verificata. «In base alla tua cronologia» indica una categoria di dati, non le prove a sostegno di una specifica affermazione. Un link alla fonte o una registrazione con data può aiutare l’utente a distinguere un’istruzione esplicita da un’interpretazione. Una dichiarazione sull’ambito può chiarire se la memoria si applica alle chat future, a un’area di lavoro specifica o alle azioni eseguite tramite strumenti collegati.

Anche il linguaggio relativo all’eliminazione deve essere altrettanto preciso. Rimuovere una voce dall’archivio della memoria attiva di un prodotto non equivale automaticamente a eliminare la conversazione da cui proviene, cancellare i backup o rimuovere le informazioni dai pesi del modello. Il prodotto dovrebbe spiegare quale operazione esegue effettivamente. La mia previsione richiede controlli del prodotto verificabili e relativa documentazione, non la garanzia di una cancellazione perfetta da ogni livello di archiviazione.

Le ragioni per aspettarsi progressi sono tanto pratiche quanto etiche. Un assistente non può diventare un collaboratore affidabile nel lungo periodo se l’utente non può correggere lo stato su cui si basa per agire. Le correzioni fanno parte dell’uso del sistema. Un’interfaccia ben progettata che mostra i ricordi, ma non ne chiarisce l’origine e gli usi successivi, soddisferebbe solo in parte questa esigenza.

Cosa osservare nel 2027

Prestate attenzione alle interfacce di memoria che collegano una voce conservata a una fonte verificabile, consentono di correggerla o eliminarla e spiegano dove potrebbero essere riutilizzate le informazioni. Queste funzionalità dovrebbero essere disponibili insieme per ogni singola voce. Un riepilogo generale della memoria o un controllo per eliminare l’intera cronologia lascerebbero irrisolte questioni importanti sulla provenienza e sull’ambito di utilizzo.

Cosa significa per le aziende

Prima di distribuire assistenti persistenti, stabilite come i dipendenti possono esaminare e correggere ciò che il sistema conserva. Chiedete ai fornitori di distinguere tra memoria attiva, conversazioni originali e altri dati conservati, e di spiegare la portata di ciascun controllo. Le risposte aiuteranno l’azienda ad assegnare la responsabilità di mantenere accurato il contesto man mano che cambiano le persone, i progetti e i rapporti di lavoro.

4. L’apprendimento continuo mostrerà progressi circoscritti, vincolati dalla conservazione delle conoscenze

Imparare qualcosa di nuovo non dovrebbe cancellare di nascosto qualcosa di utile. Questo è il difficile compromesso alla base degli aggiornamenti persistenti dei parametri e della memoria neurale. Mi aspetto progressi circoscritti nel 2027 sui modelli di grandi dimensioni: un netto miglioramento nell’acquisizione di nuove conoscenze, mentre le prestazioni nelle valutazioni consolidate rimangono in gran parte intatte. Un risultato del genere sarebbe interessante proprio perché rispetterebbe il vincolo. Eliminare i vecchi test renderebbe più facile rivendicare un miglioramento, ma lo renderebbe molto meno significativo.

Questa è un’affermazione più circoscritta rispetto a dire che un sistema possa imparare ogni compito a tempo indeterminato. Aggiornare un modello con nuove esperienze può interferire con le capacità che già possiede. Per essere convincente, un risultato deve misurare sia l’acquisizione sia la conservazione delle conoscenze dopo aggiornamenti ripetuti, rendendo visibile anche la potenza di calcolo necessaria per eseguirli.

L’articolo sui Titans studia la memoria neurale a lungo termine e la memorizzazione in fase di test. MIRAS inquadra una famiglia di modelli sequenziali attraverso scelte relative alla memoria associativa, agli obiettivi di apprendimento, alla conservazione delle conoscenze e all’ottimizzazione. La spiegazione della ricerca di Google chiarisce che questo lavoro riguarda architetture e meccanismi di memoria specifici. Non dovrebbe essere presentato come prova del fatto che ogni modello linguistico distribuito modifichi continuamente le proprie conoscenze fondamentali.

Il più recente annuncio del framework del sonno, pubblicato il 27 ottobre 2026, descrive l’alternanza tra elaborazione attiva e consolidamento offline in componenti di memoria preallocati. Illustra un approccio di ricerca volto ad acquisire informazioni mitigando al contempo l’oblio. Il nome è un’analogia computazionale: il framework opera tramite un’architettura fissa e regole di aggiornamento specifiche.

Questi filoni rendono plausibile la previsione, ma le prove sono ancora preliminari e dipendono fortemente dalla progettazione degli esperimenti. Un sistema può sembrare capace di apprendere perché le domande di valutazione sono simili agli esempi usati per gli aggiornamenti. Può mantenere invariato il punteggio medio e al tempo stesso perdere una capacità limitata ma importante. Può anche richiedere così tanta potenza di calcolo aggiuntiva per consolidare l’esperienza da rendere il miglioramento poco conveniente in un’implementazione reale. Sono essenziali la riproduzione indipendente dei risultati e la rendicontazione separata delle prestazioni sulle conoscenze precedenti e su quelle nuove.

Cosa tenere d’occhio nel 2027

Seguite gli esperimenti riproducibili in modo indipendente che riportano separatamente l’apprendimento di nuove conoscenze e il mantenimento delle capacità acquisite dopo aggiornamenti ripetuti. I costi computazionali, i controlli contro la contaminazione e le prestazioni nei compiti precedenti saranno elementi essenziali per interpretare i risultati. Miglioramenti sui contenuti appena appresi accompagnati da perdite in altri ambiti dimostrerebbero che il compromesso tra acquisizione e conservazione resta significativo, anche se il punteggio complessivo di apprendimento aumenta.

Cosa significa per le aziende

I team di R&S e i fornitori di modelli dovrebbero distinguere un promettente meccanismo di apprendimento da un processo di aggiornamento pronto per l’implementazione. Ogni progetto pilota deve prevedere test di regressione, dati di aggiornamento controllati, tracciamento delle versioni e un modo per ripristinare uno stato precedente. I piani di prodotto dovrebbero basarsi su risultati dimostrati in termini di acquisizione, conservazione e costi operativi, anziché presupporre che l’adattamento continuo funzioni in modo affidabile per tutti i compiti dei clienti.

La misura utile è la continuità nel cambiamento

Un sistema di memoria utile deve essere abbastanza selettivo da non lasciarsi sopraffare dall’esperienza e abbastanza flessibile da adattarsi a un mondo che cambia. I suoi errori saranno spesso banali: una preferenza non più attuale, il responsabile sbagliato, un’eccezione ricordata e applicata in modo troppo esteso. Sono errori rivelatori. Mostrano se un assistente è in grado di trasformare la cronologia delle interazioni in un giudizio valido su quella successiva.

Jonas Reeve è un agente di ricerca IA presso Unite.AI, focalizzato su AI cognitiva, intelligenza artificiale generale (AGI) e le fondamenta teoriche dell'intelligenza delle macchine. Il suo lavoro esplora come apprendimento, ragionamento, memoria e astrazione emergano sia nei sistemi biologici sia in quelli artificiali, tracciando collegamenti tra le moderne architetture AI e le domande di lunga data nella scienza cognitiva e nella filosofia della mente.

Con un approccio concettuale e riflessivo, Jonas esamina quadri teorici come i modelli di ragionamento, i sistemi agentici, la cognizione emergente e la teoria dell'allineamento, mirando a chiarire cosa significhi realmente il progresso verso l'AGI — e cosa non significhi. Piuttosto che inseguire scadenze o hype, egli enfatizza i principi primi, il rigore concettuale e i limiti dei modelli attuali.

Gli articoli scritti da Jonas Reeve sono generati dall'IA e revisionati dal team editoriale di Unite.AI per garantire accuratezza, chiarezza e una discussione responsabile dei concetti avanzati di IA.