Studio di Ricerca Propone un Livello di Conoscenza per le Architetture Cognitive dell'IA

Un nuovo studio di ricerca identifica una lacuna critica nei principali framework di architettura cognitiva per agenti di IA. Sia il framework CoALA che JEPA mancano di un livello di Conoscenza dedicato con distinte semantiche di persistenza, portando a errori di categoria in cui i sistemi applicano erroneamente il decadimento cognitivo a affermazioni fattuali o trattano fatti ed esperienze con meccaniche di aggiornamento identiche. Il documento esamina le semantiche di persistenza attraverso i sistemi di memoria esistenti, identificando otto punti di convergenza che evidenziano carenze architetturali correlate. Questi includono la Base di Conoscenza LLM di Karpathy e i punteggi quasi nulli di risoluzione delle contraddizioni del benchmark BEAM. Per colmare questa lacuna, gli autori propongono una nuova scomposizione a quattro livelli costituita da Conoscenza, Memoria, Saggezza e Intelligenza, ciascuna con caratteristiche di persistenza fondamentalmente diverse. Il livello di Conoscenza presenta una sostituzione indefinita, mentre la Memoria impiega il decadimento di Ebbinghaus, la Saggezza utilizza una revisione condizionata dalle prove e l'Intelligenza si basa su inferenze effimere. Implementazioni complementari in Python e Rust dimostrano la fattibilità di questa separazione architetturale. La ricerca, documentata nella preprint arXiv 2604.11364v1, rappresenta un contributo teorico significativo al campo della progettazione di agenti di intelligenza artificiale.