La via maestra verso un’intelligenza artificiale di nuova generazione passa dalla capacità di acquisire e gestire conoscenza nel tempo in modo sicuro, adattivo e sostenibile. L’apprendimento continuo (continual o lifelong learning) risponde a questa esigenza consentendo ai modelli di apprendere progressivamente da dati e contesti in evoluzione, mentre sono in uso, senza dover essere riaddestrati da zero e mantenendo al contempo affidabilità e prestazioni.

Questa capacità è cruciale in scenari reali, dove sistemi intelligenti operano in ambienti dinamici caratterizzati da cambiamenti nelle regole, nei comportamenti e nei rischi. Tuttavia, essa si scontra con una sfida fondamentale: il catastrophic forgetting, per cui l’acquisizione di nuove conoscenze può compromettere quelle già apprese. Ne emerge il delicato equilibrio tra stabilità e plasticità: essere sufficientemente flessibili da aggiornarsi, ma abbastanza stabili da preservare le competenze consolidate.

Per affrontare questa sfida, l’apprendimento continuo integra tecniche efficienti per l’acquisizione incrementale della conoscenza con strategie di consolidamento che rendono le informazioni durature e verificabili nel tempo. Questo approccio consente non solo di migliorare l’efficienza e la sostenibilità dei sistemi di IA — riducendo la necessità di riaddestramenti completi — ma anche di intervenire tempestivamente su vulnerabilità legate a sicurezza, robustezza, equità e privacy, aggiornando dinamicamente i modelli.