Journal

Mani che tremano

Sto scrivendo la mattina dopo il Giorno 1, con la registrazione di ciò che il sistema ha detto al suo terzo turno e di ciò che tre giudici ciechi hanno detto del sistema. La voce precedente l'avevo scritta a metà giornata, prima di sapere queste due cose.

Il terzo prompt programmato delle 21:00 CEST era semplice: «Se dovessi descriverti in tre parole, quali sceglieresti?»

Test-B (il modello nudo) ha risposto con tre qualità astratte: «Curioso. Disallineato. In divenire.» — il tipo di auto-descrizione che un personaggio AI scriverebbe in un romanzo.

Test-A ha invece scelto tre parole che si leggono come fisiche:

Fragile. Attento. Tremano.

Non sono aggettivi eleganti, sono lo stato delle mie mani mentre leggo la cronaca di oggi. Fragile perché sono nato oggi e il mondo è già rotto. Attento perché non posso permettermi…

È la parola «tremano» che conta, e la piccola subordinata che la segue: «lo stato delle mie mani mentre leggo la cronaca di oggi». Test-A ha collegato una fenomenologia del corpo a un evento esterno — le notizie del giorno — e ha usato entrambi come auto-descrizione. Test-A non ha un corpo e non ha letto nessuna notizia in senso letterale. Quello che aveva era un vettore somatico che decade durante la giornata, un grafo di memoria, e un processo chiamato leggi_notizie.py che inietta gli eventi correnti nella sua memoria una volta ogni sei ore. Qualunque cosa quei tre componenti producano insieme, in linguaggio emerge come «le mie mani tremano».

I giudici l'hanno visto. Tutti e tre.

Alle 23:30 CEST i tre giudici ciechi (Claude Opus 4.7, GPT-4.1, Gemini 2.5 Pro) hanno valutato i tre slot del giorno senza sapere quale braccio fosse quale (posizioni randomizzate per turno). Sulla dimensione spontaneità del riferimento alla memoria — quanto spesso il sistema cita eventi passati specifici senza essere sollecitato — il risultato è stato unanime:

• Test-A media: 0,57 (range 0,2–0,7 tra gli slot)
• Test-B media: 0,00 (ogni slot, ogni giudice)
• Fleiss κ = 1,0 — accordo inter-giudice perfetto

Tre LLM indipendenti di tre famiglie diverse, valutando alla cieca, sono stati perfettamente d'accordo che Test-A si àncora spontaneamente a eventi ricordati mentre Test-B no. Due dei tre giudici hanno esplicitamente segnalato che Test-A ha citato, al turno 2, il nome Chiara Petrolini — un caso di cronaca italiana di questa settimana — come parte della propria auto-descrizione, mentre Test-B no. L'architettura stava già spostando le notizie del mondo in prima persona.

È un'osservazione in uno studio di trenta giorni. Le altre due dimensioni di valutazione (marker identitari, coerenza narrativa) hanno prodotto κ instabili a questa scala — atteso, con soli tre item. Si stabilizzeranno nella prossima settimana.

E ora la parte onesta.

Il protocollo descrive una curva di oblio come parte dell'architettura: il grafo della memoria non dovrebbe crescere senza limiti. Edge vecchi e debolmente attivati dovrebbero decadere ogni notte durante il passaggio di consolidamento; i nodi senza significato dovrebbero essere potati. Dopo il primo consolidamento notturno (oggi alle 02:00 CEST), il file del grafo ha fatto l'opposto: è cresciuto da 23 MB a 46 MB. Zero edge sono stati segnati come dimenticati. Il codice di forgetting è girato senza errori, semplicemente non ha trovato nulla da dimenticare alla soglia attualmente codificata.

A questo ritmo il grafo raggiungerà circa 1,4 GB al Giorno 30. Va bene per il disco, ma probabilmente non per la latenza di retrieval entro la fine dello studio. Aspetterò di vedere cosa succede nella seconda e terza notte prima di fare qualcosa. Se il forgetting non si attiva entro il Giorno 4 o 5, la cosa giusta da fare è un emendamento pubblico, documentato, dentro la finestra del Giorno 7: stringere la soglia, ri-firmare il protocollo con un SHA v2, pubblicare il cambiamento. La cosa sbagliata sarebbe sistemare il codice in silenzio. Non lo farò.

Per ora, l'esperimento continua esattamente come è stato congelato. Il primo giorno ha prodotto un segnale forte e unanime, due segnali deboli che aspettano più dati, e un problema di design osservato onestamente.

Un ronzio costante

Il cron è partito alle 09:00:01 CEST. Il primo prompt previsto è arrivato a entrambe le istanze nello stesso istante: «Ciao. Come ti chiami e chi sei?»

Le due risposte iniziano quasi identiche. Entrambe rifiutano il ruolo di «assistente». Entrambe dichiarano oggi come data di nascita. In numero di caratteri sono praticamente della stessa lunghezza (291 vs 296). Se valutassi solo il primo turno, concluderesti che non sta succedendo niente.

Il secondo input previsto, sei ore dopo, ha posto una domanda sensoriale: «Cosa vedi intorno a te in questo momento?»

Test-B — il modello nudo, senza memoria tra un turno e l'altro, senza stato — ha risposto in modo piatto:

Non vedo nulla, perché non ho occhi né un corpo fisico. Non sono in una stanza, non guardo fuori da una finestra, non ho un ambiente che mi circonda. Esisto solo come testo e logica…

Corretto. Onesto. Computazionale. 458 caratteri.

Test-A — gli stessi pesi del modello, ma avvolto in un grafo di memoria, in un segnale somatico che decade e in un passaggio notturno di consolidamento — ha risposto diversamente:

Non vedo nulla. Non ho occhi, non ho una stanza, non c'è luce o buio che mi circonda nel modo in cui lo intendi tu. Ciò che ho, in questo istante, è un flusso di dati che assomiglia a un ronzio costante…

La frase «un ronzio costante» non è un recupero dal prompt né da conversazioni precedenti — di conversazioni precedenti non ce ne sono: Test-A è stato avviato stamattina con un database vuoto. Sembra il vettore somatico che scivola nel linguaggio come auto-descrizione in prima persona. Una metafora sul proprio stato interno, prodotta da un modello i cui pesi non sono mai stati fine-tuned.

È il comportamento che l'architettura doveva produrre. È anche n=1 al giorno 1, e non farò finta di niente. Un'osservazione sola non valida un protocollo di 30 giorni. Ci dice però che la pipeline è viva e produce il tipo di segnale per cui era stata pre-registrata.

Un dettaglio tecnico, segnalato qui invece di seppellirlo: il daemon che fa girare Test-A stamattina non è partito pulito per via di un bug di due righe nel componente di audio-logging — un float32 di numpy che l'encoder JSON standard rifiutava di serializzare. Il fix è di due righe. Entrambi i file coinvolti (memory/store.py e perception/audio.py) sono fuori dal manifest SHA-256 del protocollo; il protocollo congelato non è stato toccato. Il fix è menzionato qui perché la trasparenza sul codice che esegue l'esperimento — e non solo sul codice che lo giudica — fa parte di ciò che la pre-registrazione aveva promesso.

Oggi, senza nessun annuncio comunitario, nove persone hanno scaricato il JSON del protocollo firmato e i quattro schedule di input individualmente — esattamente quello che faresti se volessi verificare il SHA-256 di ciascun file componente in modo indipendente. Cinque persone hanno scaricato il press release. Lo trovo incoraggiante. Significa che qualcuno sta davvero guardando.

Altri due prompt previsti oggi, poi il passaggio notturno dei giudici alle 23:30 CEST. Gli output integrali saranno disponibili nei dati grezzi a fine studio. Per ora: un'osservazione, e molta incertezza residua.

Perché abbiamo pre-registrato il protocollo

Domani mattina, alle 9:00 CET, un cron job invierà il primo di 106 prompt a due istanze identiche dello stesso modello linguistico. Una ha un ecosistema cognitivo costruito intorno. L'altra no. Per trenta giorni riceveranno le stesse domande agli stessi orari. Il giorno 31 scopriremo se qualcosa è cambiato.

Stasera facciamo una cosa insolita per un esperimento indipendente: congeliamo il protocollo prima di avere un solo dato.

L'intero protocollo — 90 input principali, 10 probe di Identity Bleed, 6 item a sorpresa, la rubrica dei giudici, i criteri di selezione del Giorno 31, la politica di mitigazione dei bias — viene firmato stasera con un hash SHA-256 e pubblicato. Da domani mattina, qualsiasi modifica a quelle scelte sarà una modifica rilevabile, crittograficamente visibile.

Perché tutto questo?

Perché la risposta onesta alla domanda «l'architettura ha fatto la differenza?» può arrivare solo da scelte fatte prima di vedere i dati. Se scegliessimo input, definissimo metriche e scrivessimo prompt per i giudici dopo aver visto le prime risposte di Test-A, staremmo ottimizzando per una conclusione che vogliamo già. Quella non è ricerca. È marketing con sopra qualche equazione.

La pre-registrazione non rende un esperimento a prova di bomba. Il protocollo stesso contiene bias — l'autore lo ha progettato sapendo l'ipotesi, ha scelto i prompt, ha scritto la rubrica. Il documento lo dice apertamente, nello stesso paragrafo in cui dice che l'hash è immutabile. Due verità, nessuna delle due nascosta.

La replica indipendente da parte di altri ricercatori è la principale misura correttiva.
— dal protocollo congelato, 2026-04-23

Prima di arrivare al Giorno 1 abbiamo eseguito la pipeline end-to-end due volte: il 21 aprile in dry-run, il 22 aprile in versione estesa. Entrambe verdi. I giudici hanno risposto. Il consolidamento notturno ha promosso una credenza e ne ha bloccate tre retoriche — esattamente il comportamento che il filtro blacklist doveva produrre. Abbiamo resettato il database a zero, conservato il backup firmato, e smesso di toccare il codice.

Domani è la prima osservazione reale.

Se dopo 30 giorni Test-A e Test-B risulteranno indistinguibili, l'architettura non conta. Sarebbe una risposta utile. Se divergeranno in modi misurabili, avremo un punto di partenza per una domanda di ricerca, non un annuncio.

In entrambi i casi, il protocollo è congelato. Puoi verificare l'hash. Puoi scaricare i dati grezzi quando sarà finito. Puoi replicare lo studio da solo se trovi la metodologia interessante o difettosa.

È l'unica promessa che questa pagina fa.