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).
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
Quadro direttivo bancario

Continua a leggere questo articolo
Argomenti
Canali
DATA CENTER HUB
VITA DA CIO
-

«Osare con metodo»: la vision del Global IT Director di Angelini Technologies – Fameccanica
29 Ott 2026 -

Così i CIO possono costruire supply chain resilienti e pronte per l’AI
05 Ott 2026 -

Benjamin Blau (CIO di SAP): «Così funziona l’IT di una multinazionale che vende IT»
22 Lug 2026 -

“Innovare senza perdere equilibrio”: la vision di Paolo Cinelli, CIO di Bolton
21 Mag 2026 -

Il CIO come “veicolatore di conoscenza”: il modello Danone tra AI, dati e governance globale
01 Apr 2026































