Esplorare l’ignoto.
Nel dibattito sull’intelligenza artificiale, l’attenzione si concentra quasi sempre sui segnali forti: tecnologie già visibili, trend consolidati e applicazioni in rapida diffusione.
Ma spesso le trasformazioni più rilevanti iniziano altrove, nei segnali deboli: comportamenti emergenti, esperimenti marginali e cambiamenti ancora difficili da interpretare. Esplorarli significa andare oltre ciò che è già evidente per individuare in anticipo nuove opportunità, rischi e direzioni possibili dell’IA.
Eccone alcuni:
Modelli che devono “dormire”
Un piccolo filone di ricerca sta trattando il sonno non come metafora, ma come principio architetturale.
Durante l’uso quotidiano, il modello accumula esperienze nella memoria temporanea. In una successiva fase offline le comprime, le seleziona e le trasferisce verso una memoria più stabile, liberando il contesto operativo. Alcuni lavori chiamano queste fasi sleep, consolidamento e perfino “dreaming”, perché il modello genera autonomamente esercizi sintetici con cui ripassare.
Scenario possibile: assistenti personali che lavorano durante il giorno e, durante la notte, riorganizzano ciò che hanno appreso, eliminano informazioni inutili e aggiornano il proprio comportamento. La difficoltà sarà evitare che il modello consolidi anche errori, informazioni false o abitudini indesiderate.
Modelli progettati fin dall’inizio per dimenticare
Oggi eliminare realmente un dato da un modello addestrato è molto difficile. Correggere la risposta non significa necessariamente cancellare l’informazione: alcune ricerche mostrano che conoscenze apparentemente eliminate possono riemergere dopo un breve riaddestramento, una quantizzazione o particolari prompt.
Il nuovo approccio è costruire modelli con una memoria separata e cancellabile. Un lavoro del 2026 propone, per esempio, di associare alcune informazioni a chiavi esterne: eliminando la chiave, il modello perde l’accesso a quel ricordo senza dover modificare tutti i propri pesi.
Perché potrebbe diventare importante in Europa: cancellazione dei dati personali, revoca dei consensi, aggiornamento di informazioni sanitarie, rimozione di materiale protetto o errato. Il valore futuro di un modello potrebbe dipendere non soltanto da ciò che sa, ma dalla sua capacità dimostrabile di non sapere più qualcosa.
Interpretabilità usata per scoprire concetti che non conosciamo
L’interpretabilità viene solitamente presentata come un modo per verificare se un modello rappresenta concetti noti: per esempio violenza, ironia o una determinata entità.
Un filone più insolito usa invece strumenti come gli sparse autoencoder per individuare strutture interne alle quali gli esseri umani non hanno ancora assegnato un nome. In questo caso non chiediamo al modello “dove rappresenti il concetto X”, ma esploriamo le sue attivazioni per vedere quali categorie latenti abbia costruito autonomamente.
Queste tecniche stanno iniziando a essere applicate non solo al testo, ma anche a riconoscimento vocale, modelli biologici e sistemi scientifici. In un lavoro su Whisper sono state individuate caratteristiche interne linguistiche e non linguistiche, alcune condivise tra lingue diverse.
Possibile svolta: l’IA non sarebbe soltanto uno strumento per classificare secondo le categorie umane, ma una macchina capace di proporre nuove categorie scientifiche.