Memoria artificiale: quando l’algoritmo impara a distinguere tra realtà e scarto

Una nuova frontiera nell'intelligenza artificiale promette di rendere le memorie artificiali capaci di operare con l'affidabilità dei sistemi biologici anche di fronte a dati imperfetti e sbilanciati tipici del mondo reale. Il punto di partenza è rappresentato dalle reti di Hopfield, modelli classici ispirati al funzionamento del cervello umano che, nel 1982, hanno introdotto il concetto di memoria associativa, ovvero la capacità di richiamare un intero concetto partendo da una sua rappresentazione parziale o degradata. Il limite storico di questi modelli risiede nella loro limitata capienza, poiché le forme base riescono a memorizzare un numero di informazioni pari appena al 13 per cento dei neuroni che le compongono, lasciando il resto dello spazio occupato da falsi ricordi o configurazioni spurie che possono indurre il sistema in errore.

Per superare tale ostacolo, i ricercatori hanno guardato alla neurobiologia, tentando di replicare il processo di consolidamento mnemonico che avviene durante il sonno. Sebbene i primi tentativi di implementare algoritmi di dreaming fossero efficaci nel ripulire la memoria, essi soffrivano del rischio di dimenticanza catastrofica, ovvero la cancellazione involontaria di informazioni corrette a causa di un processo di pulizia troppo prolungato. La svolta è arrivata nel 2025 con l'algoritmo Daydreaming, sviluppato da Federico Ricci-Tersenghi dell'Università La Sapienza di Roma insieme ai suoi collaboratori, capace di unire apprendimento e pulizia in un unico processo simultaneo, permettendo alla rete di raggiungere il limite teorico di un ricordo per ogni neurone.

La sfida successiva, appena risolta in uno studio pubblicato sul Journal of Statistical Mechanics: Theory and Experiment, riguardava la gestione dei dati non equilibrati. I sistemi tradizionali, infatti, entrano in crisi quando devono elaborare immagini fortemente sbilanciate, come fotografie sovraesposte o troppo scure, dove l'eccessiva somiglianza tra i campioni impedisce alla rete di distinguere le caratteristiche distintive di un ricordo. La nuova versione dell'algoritmo, battezzata Centered Daydreaming, introduce una modifica sostanziale che agisce localmente, senza la necessità di interventi globali sull'intera rete, rendendo il modello decisamente più plausibile dal punto di vista biologico.

Il principio cardine di questa evoluzione risiede nella focalizzazione sulle differenze anziché sui valori assoluti dei dati. Proprio come avviene nel riconoscimento dei volti umano, dove l'attenzione si sposta automaticamente sui tratti distintivi rispetto a una media somatica, l'algoritmo confronta i singoli elementi rispetto al loro valore medio. Questa strategia consente al Centered Daydreaming di mantenere intatta la capacità di recupero mnemonico anche in condizioni di forte squilibrio informativo.

Le implicazioni di questo progresso tecnologico, tuttavia, vanno oltre il miglioramento delle prestazioni algoritmiche. Se da un lato la capacità di distinguere tra segnale e rumore rende i sistemi artificiali più efficienti e meno energivori, dall'altro solleva interrogativi cruciali sulla gestione delle informazioni. La scelta di cosa debba essere considerato come dato significativo e cosa, invece, come ricordo spurio da eliminare, non è mai un'operazione neutra. In un'epoca in cui il controllo della memoria collettiva è terreno di scontro, dotare le macchine di strumenti capaci di decidere cosa merita di essere conservato e cosa deve essere scartato significa delegare agli algoritmi il potere di definire il confine tra ciò che è reale e ciò che è considerato scarto. La sfida del futuro, dunque, non sarà solo tecnica, ma etica: garantire che la ricerca non si trasformi in uno strumento per omologare la realtà, ma resti una risorsa al servizio di una conoscenza plurale e capace di valorizzare le differenze anziché annullarle in una media statistica.