Architetture ispirate alle neuroscienze per costruire AI veramente adattive I moderni sistemi di AI sono potenti ma fragili. Allena un modello, distribuiscilo e osserva come le prestazioni degradano mentre il mondo cambia. Riaddestra su nuovi dati e il modello dimentica ciò che sapeva. Questo ciclo produce sistemi che eccellono in benchmark statici ma faticano con l'adattamento continuo—qualcosa che l'intelligenza biologica gestisce senza sforzo. Un topo può apprendere in pochi tentativi a trovare acqua in un labirinto nuovo in circa dieci prove, un tasso di apprendimento 1.000 volte più veloce rispetto ai compiti tradizionali di laboratorio. Eppure, le nostre reti neurali più sofisticate soffrono di oblio catastrofico quando vengono chieste di apprendere in modo sequenziale. Il cervello offre un'architettura diversa. Non opera come una singola rete aggrovigliata, ma come moduli specializzati interconnessi in modo intelligente—la corteccia visiva elabora i bordi, la corteccia motoria calcola nello spazio della forza, le regioni prefrontali tracciano la memoria strutturata per compiti. Ogni modulo costruisce modelli interni aggiornati attraverso errori di previsione quando i risultati attesi divergono dalla realtà. Questi segnali di insegnamento firmati sono stati ora scoperti in circuiti sensoriali, motori e di ricompensa. Mackenzie Weygandt Mathis sintetizza queste intuizioni in una proposta per un'AI agentica adattiva. Piuttosto che perseguire modelli fondazionali sempre più grandi e monolitici, sostiene sistemi di codificatori specifici per dominio i cui output sono ottimizzati congiuntamente in uno spazio latente condiviso. Ogni codificatore è monitorato da segnali di errore di previsione—i codificatori robusti rimangono "bloccati" mentre quelli che mostrano prestazioni degradate vengono "sbloccati" per un apprendimento continuo utilizzando il ripasso della memoria o l'intelligenza sinaptica, senza dover mettere offline l'intero sistema. Il principio più ampio: strutturando l'AI attorno alla modularità ispirata alle neuroscienze e all'aggiornamento basato sugli errori di previsione piuttosto che su una scala monolitica, diventa possibile andare oltre i modelli statici verso un'intelligenza genuinamente adattiva—sistemi che affinano continuamente i loro modelli del mondo attraverso l'interazione con esso. Carta: