l'intervento

LLM e apprendimento continuo: cosa cambia se le macchine imparano a sognare

Gli LLM restano oggi sistemi in larga parte statici, incapaci di consolidare nuove competenze dopo il rilascio. Le ricerche su memoria, consolidamento e sonno artificiale provano a superare questo limite, ma aprono questioni da risolvere per audit, controllo e governance

Pubblicato il 7 ago 2026

Aggiungi tra i preferiti su Google

Marco Beozzi

Quadro direttivo bancario

Gli LLM restano in larga parte statici dopo il rilascio: eseguono i compiti appresi in pre-addestramento e post-addestramento, ma non acquisiscono nuove capacità oltre il proprio contesto immediato. Da qui una vulnerabilità strutturale: conoscenza e competenze invecchiano, perché il modello opera con una data fissa di «knowledge cutoff» oltre la quale fatti nuovi ed eventi in evoluzione gli restano ignoti (Cheng et al. 2024).

@RIPRODUZIONE RISERVATA

Marco Beozzi

Quadro direttivo bancario

Affascinato da sempre dalla tecnologia, ed interessato in particolare agli aspetti di innovazione di processo e agli impatti organizzativi, ricopre e ha ricoperto posizioni di responsabilità all’interno di importanti istituti finanziari italiani e svizzeri, con particolare riferimento alla gestione della continuità operativa e dei sistemi e servizi mission critical. In ambito giornalistico, ha collaborato in passato con alcune diffuse riviste nazionali (CHIP, PC Magazine, Applicando, ecc.) con una rubrica sulle tematiche legate alla innovazione digitale