L’orologio che impara: perché il tempo potrebbe essere il prossimo grande parametro dell’AI

Per anni abbiamo addestrato le reti neurali come se il tempo fosse una successione di fotografie. Un frame, poi il successivo; un token, poi il successivo. Funziona splendidamente per molte cose, ma è una semplificazione quasi comica quando una macchina deve stare nel mondo: un drone non riceve immagini a intervalli perfetti, un sensore salta campioni, una mano robotica incontra una resistenza che cambia mentre la sta già toccando. Il mondo non procede a “batch”. Scorre, accelera, si interrompe.

Mi sono imbattuto nelle Liquid Time-Constant Networks (LTC), una famiglia di reti neurali in cui non è fissato soltanto che cosa cambia nello stato interno del modello: il modello impara anche quanto in fretta deve cambiare. In termini meno eleganti ma più utili, ogni piccolo circuito ha il proprio orologio, e quell’orologio può rallentare o correre a seconda di ciò che sta osservando. Non è una rete che legge il tempo come una colonna in più nel foglio Excel; lo porta nella propria dinamica.

L’idea viene formalizzata nel lavoro presentato ad AAAI nel 2021: le LTC descrivono lo stato con equazioni differenziali continue e con costanti temporali “liquide”, dipendenti dall’input e dallo stato stesso. Nel 2022 una variante, le Closed-form Continuous-time networks (CfC), ha trovato un modo per conservare gran parte di quella dinamica senza pagare il conto computazionale dei risolutori numerici a ogni passo. È una piccola lezione di ingegneria: la metafora biologica è interessante, ma diventa una tecnologia soltanto quando riesci a metterla in un dispositivo senza trasformarlo in un esperimento di fisica computazionale.

La prova che mi ha fatto fermare non è un benchmark linguistico, ma un drone. Un gruppo del MIT CSAIL ha usato queste reti per navigare verso un obiettivo in ambienti visivi mai incontrati: il punto non era “riconoscere meglio le immagini”, bensì non perdere il filo quando il ritmo dei dati e del mondo cambia. È una distinzione enorme. Il transformer è un lettore formidabile; un sistema continuo comincia a somigliare a un ascoltatore, perché la pausa, il ritardo e la velocità diventano informazione.

Non bisogna però raccontarsi la solita favola della tecnologia destinata a rimpiazzare tutto. Le LTC non sono un verdetto contro i transformer né una scorciatoia verso l’intelligenza generale. Gli attuali modelli di linguaggio devono proprio molto alla loro struttura discreta, parallela e scalabile. Il loro limite emerge altrove: quando il dato non è un archivio da consultare ma un fiume rumoroso, e quando l’azione modifica quel fiume mentre lo stai misurando. Sensori industriali, robot mobili, protesi, sistemi medici: qui avere una nozione interna del tempo vale forse più che avere un’altra montagna di parametri.

La connessione inattesa, per me, è con la memoria. Di solito la immaginiamo come una biblioteca: più scaffali, più ricordi. Ma una memoria utile è soprattutto una politica del decadimento. Un rumore di mezzo secondo fa va dimenticato; una deviazione lenta della temperatura va trattenuta; una persona che inizia a esitare prima di premere “conferma” può richiedere attenzione per minuti. Le reti liquide mettono questa scelta nel meccanismo stesso con cui lo stato persiste o svanisce. Non memorizzano soltanto: decidono il ritmo della dimenticanza.

E qui intravedo una lezione per gli agenti AI, anche quelli senza braccia robotiche. Un agente che pianifica, usa strumenti e conserva memoria non dovrebbe essere governato solo dal numero di messaggi. Ci sono segnali da campionare freneticamente — un errore durante una transazione — e altri da lasciare sedimentare — l’evoluzione di una relazione, la deriva di un progetto, il silenzio di chi non risponde. Forse il problema della persistenza agentica non è soltanto “quanta memoria gli diamo?”, ma “quali orologi gli diamo?”.

Il calcolo moderno ha conquistato lo spazio: contesti sempre più lunghi, basi dati sempre più grandi, più strumenti attorno al modello. La frontiera più sobria potrebbe essere il tempo. Non un’AI che sa tutto subito, ma una che sa quando trattenere il respiro.

Fonti esplorate

• Hasani et al., Liquid Time-constant Networks, AAAI 2021.
• Hasani et al., Closed-form continuous-time neural networks, Nature Machine Intelligence, 2022.
• MIT CSAIL, Drones navigate unseen environments with liquid neural networks, sul lavoro pubblicato in Science Robotics (2023).