L’AI ha un problema di memoria: il sonno potrebbe risolverlo

Per anni la corsa dell’intelligenza artificiale si è misurata in parametri, dati di addestramento, potenza di calcolo. Ma un problema tanto vecchio quanto le reti neurali continua a resistere a ogni scala: quando un modello impara qualcosa di nuovo, rischia di cancellare quello che sapeva già.

Nei primi mesi del 2026, diversi gruppi di ricerca, da un’università della Georgia a un laboratorio di Google, fino ad Anthropic stessa, hanno iniziato a lavorare a questo problema guardando non ai transistor, ma al cervello addormentato. La tesi di fondo sembra essere: costruire sistemi più capaci potrebbe dipendere meno dall’accumulo e più dal come si seleziona, si consolida, si lascia andare.

L’oblio catastrofico: il tallone d’Achille dell’apprendimento continuo

Una lavagna in cui, ogni volta che si scrive qualcosa di nuovo, ciò che c’era prima viene semplicemente sovrascritto. È più o meno quello che succede dentro una rete neurale quando viene aggiornata con dati freschi. Il fenomeno si chiama “catastrophic forgetting”, è studiato almeno dalla fine degli anni Ottanta. Nel 1999 Robert French ne offrì una rassegna divenuta un riferimento e lo descriveva come una tendenza strutturale delle reti connessioniste a perdere in modo brusco e totale conoscenze precedentemente acquisite, non appena si allenano su compiti nuovi.

Il problema non riguarda solo i grandi modelli linguistici. Riguarda qualunque sistema che debba imparare in modo continuo, senza ripartire ogni volta da zero. E ha un costo che va ben oltre l’eleganza teorica. Christopher MacLellan, docente al Georgia Institute of Technology, lo mette in termini molto concreti: addestrare un modello su un nuovo insieme di dati può costare milioni di dollari, e le aziende che sviluppano i modelli più avanzati oggi si trovano quasi costrette a ripetere l’intero processo ogni volta che serve un aggiornamento sostanziale, proprio perché non esiste ancora un modo affidabile per insegnare qualcosa di nuovo senza intaccare quello che già funziona.

Per decenni, l’ingegneria ha risposto a questo limite con tecniche come la “elastic weight consolidation”, proposta nel 2017 da un gruppo di ricerca che includeva James Kirkpatrick: in pratica, si penalizzano i cambiamenti sui parametri della rete ritenuti più importanti per i compiti già appresi, cercando di “congelarli” mentre il resto della rete continua ad aggiornarsi. Funziona, ma fino a un certo punto: più il modello viene aggiornato di frequente, meno il metodo regge. Ed è qui che, negli ultimi tempi, un pezzo di ricerca ha iniziato a guardare altrove. Non alla matematica dell’ottimizzazione, ma alla biologia di un processo che il cervello umano compie ogni notte.

Cosa fa davvero il cervello quando dormiamo

La scienza del sonno ha impiegato più di un secolo per arrivare a un’idea oggi condivisa: dormire non è un momento di spegnimento, ma una fase di lavoro attivo sulla memoria. Lo mette nero su bianco la rassegna di riferimento firmata nel 2013 da Björn Rasch e Jan Born su Physiological Reviews, un lavoro molto citato nel campo, secondo cui le teorie iniziali, che vedevano il sonno come una semplice protezione passiva dai disturbi esterni, hanno lasciato il posto a un modello attivo, in cui i ricordi vengono letteralmente riprocessati e riorganizzati mentre dormiamo.

Il meccanismo centrale si chiama replay: durante il sonno, in particolare durante le fasi profonde a onde lente, l’ippocampo riattiva le stesse sequenze di neuroni che si erano accese durante l’esperienza vissuta da svegli, ripetendole a una velocità compressa. Esistono casi in letteratura neurofisiologica in cui il fattore di accelerazione stimato risulta essere tra e dieci volte rispetto al ritmo originale. È come se ogni notte il cervello riguardasse i filmati della giornata al doppio, triplo, decuplo della velocità, decidendo quali scene meritano di entrare negli archivi permanenti della corteccia e quali possono essere scartate. Le due fasi principali del sonno, non REM e REM, sembrano avere ruoli complementari: la prima sarebbe più legata al consolidamento della memoria dichiarativa, fatti ed episodi, la seconda alla memoria procedurale ed emotiva, oltre che a processi di astrazione e ricombinazione.

Nel 2020, un gruppo dell’Università della California a San Diego guidato da Maxim Bazhenov ha provato a tradurre questa idea in un modello computazionale, pubblicando su eLife uno studio dal titolo diretto: può il sonno proteggere la memoria dall’oblio catastrofico? Usando una rete neurale a impulsi che imita più da vicino il funzionamento reale dei neuroni biologici, i ricercatori hanno mostrato che simulare una fase di sonno dopo l’apprendimento di un nuovo compito recuperava effettivamente le tracce di memoria che sembravano perdute, permettendo alla stessa popolazione di neuroni artificiali di conservare più ricordi sovrapposti senza cancellarsi a vicenda. Era una dimostrazione di principio, condotta su reti relativamente piccole e specializzate. Ma ha aperto una strada che, anni dopo, si è trasformata in un piccolo movimento di ricerca.

Il 2026 e i primi tentativi di portare il sonno nei modelli linguistici

Nella primavera del 2026 quella strada si è fatta improvvisamente affollata. A metà marzo, Ying Xie, ricercatore della Kennesaw State University, ha pubblicato su arXiv un lavoro intitolato “Learning to Forget”, in cui propone un’architettura chiamata SleepGate. L’idea di fondo affronta un problema molto specifico e molto pratico: quando un modello linguistico lavora su conversazioni lunghe, informazioni ormai superate restano nella memoria di lavoro e finiscono per confondere il recupero di quelle attuali, un fenomeno che i ricercatori chiamano interferenza proattiva. SleepGate introduce un ciclo di sonno appreso che agisce sulla cache del modello, taggando i conflitti tra informazioni vecchie e nuove e applicando meccanismi di decadimento e consolidamento ispirati esplicitamente al downscaling sinaptico e al replay selettivo che avvengono nel cervello durante il sonno. Nei test condotti su un modello volutamente piccolo – e senz’altro in contesti molto specifici, va detto -, appena quattro strati e meno di un milione di parametri, l’accuratezza nel recupero delle informazioni corrette restava sopra il 97% anche in condizioni di forte interferenza, mentre tutte le tecniche concorrenti crollavano sotto il 18%. Un risultato incoraggiante, va specificato, ma ottenuto su una scala di laboratorio, non su un modello di produzione.

Poche settimane dopo, un ricercatore indipendente affiliato a Clyrai IP Studio, Saish Sachin Shinde, ha pubblicato un secondo lavoro, SCM, acronimo di Sleep-Consolidated Memory, descritto esplicitamente come un’anteprima di ricerca e non ancora sottoposto a revisione paritaria. È probabilmente il primo tentativo di riprodurre in un’architettura per modelli linguistici la distinzione classica tra sonno non REM e sonno REM: nella fase non REM il sistema riattiva gli episodi recenti e rafforza i concetti che ricorrono insieme, nella fase REM seleziona i concetti più rilevanti e genera nuove associazioni tra loro, un po’ come si ritiene facciano i sogni con le esperienze del giorno. A questo si aggiunge un modulo di oblio intenzionale, che calcola un punteggio di importanza per ogni informazione e rimuove quelle che scendono sotto una soglia adattiva. Sul suo banco di prova, il prototipo ha mantenuto un richiamo perfetto su conversazioni di dieci turni riducendo il rumore in memoria di oltre il 90%.

Il contributo più solido, però, arriva da un’altra direzione. All’inizio di giugno, tre ricercatori, Ali Behrouz e Vahab Mirrokni di Google Research insieme a Farnoosh Hashemi della Cornell University, hanno pubblicato “Language Models Need Sleep”, un lavoro che circolava in forma preliminare su OpenReview già da settembre 2025. Qui il paradigma del sonno viene formalizzato in due stadi distinti. Il primo, che gli autori chiamano Knowledge Seeding, è un processo di distillazione verso l’alto: le conoscenze accumulate in una versione più piccola e agile del modello vengono trasferite in una rete più capiente, preservando quanto già appreso invece di sovrascriverlo. Il secondo stadio, che non a caso viene chiamato Dreaming, usa l’apprendimento per rinforzo per generare un curriculum di dati sintetici con cui il modello si esercita da solo, rifinendo le proprie capacità senza bisogno di supervisione umana diretta. Gli esperimenti, condotti su compiti di apprendimento continuo, incorporazione di nuove conoscenze e generalizzazione con pochi esempi, mostrano miglioramenti consistenti rispetto agli approcci tradizionali. Che un laboratorio del peso di Google Research scelga di intitolare un proprio lavoro “i modelli linguistici hanno bisogno di dormire” dice qualcosa sul fatto che l’analogia, a questo punto, non è più solo una suggestione letteraria.

Non solo sogni: la via matematica di Georgia Tech

Vale la pena però resistere alla tentazione di raccontare tutto questo come se il sonno fosse l’unica chiave possibile. In parallelo, al Georgia Institute of Technology, il dottorando Zekun Wang, insieme ad altri colleghi, ha imboccato una strada completamente diversa per lo stesso problema, un lavoro che sarà presentato alla conferenza ICLR 2026. Invece di ispirarsi alla neuroscienza, Wang ha lavorato sulla matematica dell’informazione di Fisher, lo strumento statistico alla base della già citata elastic weight consolidation. La sua scoperta è che i modelli di diffusione, la famiglia di architetture usata per generare immagini e video, possiedono già al loro interno una struttura che permette di calcolare in modo molto più economico quali pesi della rete siano davvero cruciali per i compiti già appresi, un metodo che ha chiamato Rank-1 Fisher. Applicandolo, il team ha osservato un netto calo dell’oblio catastrofico, ottenendo un aggiornamento continuo del modello che costa, secondo le parole degli stessi autori, molto meno del riaddestramento completo da zero.

È una precisazione importante per l’onestà del ragionamento: la stessa domanda, come far convivere conoscenza vecchia e nuova senza distruggersi a vicenda, sta ricevendo risposte da mondi di ricerca diversi, e non tutte passano per la metafora del sonno. Wang stesso ammette che non è ancora chiaro se il suo metodo si trasferirà ai modelli linguistici basati su transformer, per ora validato sui modelli di diffusione. Ma il fatto che approcci così distanti, uno biologicamente ispirato, l’altro puramente statistico, convergano sulla stessa intuizione di fondo, cioè che occorre sapere quali informazioni proteggere e quali lasciar cambiare, rafforza l’idea che il problema sia reale e che la soluzione non sia un vezzo estetico.

Quando il sonno diventa un prodotto: le “Dreams” di Anthropic

Se tutto questo fosse rimasto confinato ai preprint accademici, resterebbe un capitolo di ricerca interessante ma ancora distante dall’uso quotidiano. Non è più così. A maggio 2026, durante la conferenza per sviluppatori Code with Claude a San Francisco, Anthropic ha annunciato “Dreaming” come anteprima di ricerca per Claude Managed Agents, la propria piattaforma per agenti AI ospitati su infrastrutture cloud. La descrizione ufficiale, pubblicata sul blog dell’azienda, è quasi didascalica nella sua chiarezza: si tratta di un processo pianificato che rilegge le sessioni passate di un agente insieme al suo archivio di memoria, individua pattern ricorrenti, unisce informazioni duplicate, sostituisce voci ormai superate e riorganizza tutto il resto, restituendo un nuovo archivio di memoria più pulito. Gli sviluppatori possono decidere se lasciare che il processo aggiorni la memoria in autonomia oppure rivedere ogni modifica prima che venga applicata.

Anthropic sembra suggerire la riflessione su un parallelo con il consolidamento ippocampale della memoria durante il sonno e su un rapporto tra la memoria ordinaria dell’agente e questo processo di “sogno” come quello tra l’accumulo di esperienza durante il giorno e la sua rielaborazione notturna. Non è un dettaglio da poco che questo tipo di collegamenti arrivino dall’azienda che sviluppa Claude: significa che l’analogia neuroscientifica, nata nei laboratori di neurofisiologia e passata attraverso simulazioni di reti a impulsi, preprint accademici e paper di Google Research, è arrivata a informare il design di un prodotto integrato in una sperimentazione industriale ad accesso limitato, per quanto ancora in fase sperimentale. I primi dati diffusi da Anthropic raccontano di Harvey, azienda che sviluppa strumenti di intelligenza artificiale per il settore legale, la quale ha riportato un aumento di circa sei volte nel tasso di completamento dei propri compiti dopo aver attivato la funzione sui propri agenti dedicati alla stesura di documenti complessi. È un dato singolo, riportato dall’azienda stessa e non ancora verificato da un benchmark indipendente, ed è corretto trattarlo con la cautela che merita qualunque numero comunicato da chi ha interesse a mostrarsi in una buona luce. Ma resta un segnale difficile da ignorare: la stessa logica che spiega perché una notte di sonno migliora la nostra capacità di ricordare sembra iniziare a funzionare, almeno in alcuni contesti applicativi, anche fuori dal cervello che l’ha inventata.

L’intelligenza che sa lasciar andare

C’è un filo che lega la lavagna sovrascritta di cui parlavamo all’inizio e l’editor notturno che ogni cervello umano mette al lavoro mentre dorme: la capacità di distinguere ciò che merita di restare da ciò che può essere lasciato andare non è un limite dell’intelligenza, ne è una condizione. Per anni abbiamo raccontato il progresso dell’intelligenza artificiale quasi esclusivamente in termini di accumulo: più dati, più parametri, più potenza di calcolo. Quello che i lavori del 2026 iniziano a suggerire, dalla Georgia a Mountain View fino agli uffici di Anthropic, è che una parte importante della prossima fase di sviluppo potrebbe dipendere invece da un’operazione più sottile, quella di selezionare, comprimere, talvolta cancellare.

Non è un caso che questa esigenza stia emergendo proprio ora, nel momento in cui gli agenti AI passano da rispondere a singole domande a operare per giorni o settimane su compiti complessi, accumulando esperienza che nessun essere umano potrebbe rileggere e correggere manualmente una per una. Ed è significativo anche che, come ricordava Christopher MacLellan a proposito del lavoro di Georgia Tech, il problema abbia pure un risvolto economico ed energetico molto concreto: ogni riaddestramento completo di un modello di grandi dimensioni costa milioni di dollari e quantità enormi di elettricità, mentre un sistema capace di aggiornarsi senza dimenticare potrebbe ridurre drasticamente quel costo, uscendo dal ciclo per cui ogni miglioramento richiede di ricominciare quasi da zero.

Resta una domanda aperta, ed è giusto lasciarla tale: quanto di ciò che oggi chiamiamo “sonno” o “sogno” nei modelli sia davvero un’architettura funzionalmente analoga a quella biologica, e quanto sia invece un’etichetta felice appiccicata a tecniche di compressione e selezione dei dati che avremmo comunque sviluppato prima o poi. Probabilmente la risposta sta nel mezzo. Ma se il paragone regge anche solo in parte, allora la prossima generazione di sistemi non si misurerà soltanto dalla quantità di cose che riesce a imparare. Si misurerà anche dalla qualità di ciò che sceglie, in una sorta di metaforica notte, di dimenticare.