AnswersPublished13 sources
Quando l’AI personale impara dall’esperienza
Tongyan Lingzhi propone di affidare le competenze personali a parametri leggeri sopra un modello di base condiviso, anziché basarsi soltanto su prompt e informazioni recuperate al momento. TIP punta a condividere le risorse GPU tra addestramento e inferenza; Paged LoRA è progettato per gestire gli adapter in modo pi...
Pubblicato daModificato con GPT-6 LunaImmagini generate con GPT Image 2
Research answer
Key takeaways
- Tongyan Lingzhi propone di affidare le competenze personali a parametri leggeri sopra un modello di base condiviso, anziché basarsi soltanto su prompt e informazioni recuperate al momento.
- TIP punta a condividere le risorse GPU tra addestramento e inferenza; Paged LoRA è progettato per gestire gli adapter in modo più flessibile.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How is Tongyan Lingzhi, incubated by the Beijing Institute for General Artificial Intelligence’s industry platform, developing personal AI t. Article summary: Tongyan Lingzhi’s stated approach is to turn accumulated professional knowledge and experience into lightweight, personalized model parameters on top of a shared foundation model, rather than relying exclusively on infor. Topic tags: general, documentation, general web, user generated, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, w
Tongyan Lingzhi lavora a una forma di AI personale in cui conoscenze professionali ed esperienza possano diventare capacità specifiche del modello, riferite a un utente o a un’organizzazione. L’architettura proposta combina un modello di base condiviso con parametri personalizzati leggeri. Le fonti descrivono questa direzione, ma non dimostrano che l’intero ciclo di apprendimento o tutte le sue misure di sicurezza siano già attivi in produzione.2
3
Personalizzare il modello, non soltanto il contesto
Molti sistemi di AI adattano le risposte usando informazioni fornite al momento dell’inferenza: prompt, contenuti recuperati o dati memorizzati. L’obiettivo dichiarato da Tongyan Lingzhi è spingersi oltre, usando un addestramento personalizzato affinché l’esperienza accumulata possa influire sui parametri del modello.
L’architettura proposta distingue le capacità generali da quelle personalizzate. Un modello di base condiviso offre capacità ampie, mentre i parametri personali raccolgono conoscenze o comportamenti specifici di una persona, un progetto, un ruolo o un’organizzazione. Le fonti descrivono questi parametri come adapter Personal LoRA leggeri, invece che come modelli di base separati, addestrati da zero per ogni utente.2
3
Questa separazione è al centro della proposta: il modello di base fornisce capacità generali, mentre i parametri personali possono incorporare competenze maturate in contesti specifici. Le informazioni disponibili, però, non spiegano come gli adapter verrebbero trasferiti, riaddestrati o convalidati quando cambia il modello di base. Non dimostrano quindi che un adapter personale resti compatibile con le successive versioni del modello.2
3
Dalle informazioni memorizzate all’apprendimento nel tempo
Tongyan Lingzhi presenta il proprio approccio come un passaggio dal ricordare informazioni all’apprendere quali esperienze dovrebbero diventare capacità stabili del modello. In questa prospettiva, la memoria conserva informazioni, il recupero fornisce conoscenze esterne e la personalizzazione a livello di parametri mira a codificare competenze o criteri di valutazione ricorrenti.
L’azienda definisce questa ambizione Recursive Self-Improving Personal AI: sistemi in grado di aggiornare nel tempo le capacità personali attraverso l’uso.3 Le fonti disponibili, tuttavia, non verificano un processo completo e automatizzato che raccolga tracce delle attività, correzioni umane ed esiti; costruisca valutatori specifici per ciascun utente; individui i segnali di feedback più utili; aggiorni gli adapter; e infine testi o annulli gli aggiornamenti che peggiorano le prestazioni.
La distinzione è importante: descrivere una strategia di apprendimento non equivale a dimostrare che esista già un sistema pienamente funzionante. Le fonti sostengono l’ambizione di trasformare conoscenze professionali e flussi di lavoro in capacità del modello che evolvono nel tempo, ma non chiariscono quali fasi del ciclo siano automatizzate o pronte per la produzione.3
L’infrastruttura: TIP e Paged LoRA
La personalizzazione continua pone anche un problema infrastrutturale: occorre aggiornare il modello continuando a rispondere alle richieste, e gestire molti adapter personali senza assegnare a ciascuno un modello completo separato.
TIP, ovvero parallelismo tra addestramento e inferenza, mira a coordinare queste esigenze. Le fonti descrivono tecniche come la condivisione delle GPU tra addestramento e inferenza, l’esecuzione nello stesso batch, l’accumulo asincrono dei gradienti e il rapido passaggio tra i ruoli di addestramento e inferenza. L’obiettivo dichiarato è usare le risorse di calcolo disponibili per aggiornare gradualmente Personal LoRA continuando a fornire il servizio online, senza dipendere da un pool separato di risorse per l’addestramento.4
Paged LoRA affronta invece la gestione della memoria degli adapter. Secondo quanto riportato, il sistema usa una gestione a pagine e l’allocazione su richiesta per amministrare gli adapter con maggiore flessibilità, così che più Personal LoRA possano condividere un modello di base e le risorse GPU.4 Si tratta di obiettivi di efficienza: le fonti non dimostrano che migliaia di adapter aggiornati continuamente siano già in funzione in produzione a costi sostenibili. Il riferimento a centinaia di ruoli e migliaia di agenti descrive il carico di lavoro che motiva queste soluzioni, non un risultato di implementazione verificato.
Che cosa dimostra, e che cosa no, il test riportato su Qwen2.5
Una fonte descrive un confronto in più fasi tra Paged LoRA e la modalità LoRA convenzionale, chiamata “Flat”, usando Qwen2.5-72B-Instruct su otto GPU Nvidia H800 e fissando a 5,79 GB il budget di memoria degli adapter. La configurazione del test è riportata, ma l’estratto disponibile non fornisce i valori comparativi di latenza né i risultati sulla latenza di coda. Non consente quindi di verificare le differenze di prestazione ai livelli di traffico menzionati nella domanda.
Anche un benchmark completo del servizio risponderebbe solo a una parte della questione. Potrebbe aiutare a valutare l’efficienza nella gestione degli adapter nelle condizioni testate, ma non dimostrerebbe da solo la qualità delle capacità apprese, la loro compatibilità con un modello di base aggiornato o l’assenza di regressioni nelle prestazioni precedenti.
Che cosa è supportato dalle fonti e cosa resta da chiarire
In base alle informazioni pubblicate fino al 22 ottobre 2026, il quadro supportato comprende una strategia basata su modello condiviso e parametri personali, l’ambizione di continuare ad apprendere dall’esperienza professionale e lo sviluppo di infrastrutture per coordinare addestramento e inferenza e gestire la memoria degli adapter.3
4
Le fonti disponibili non stabiliscono quali componenti siano già pronte per la produzione, se l’intero ciclo di auto-miglioramento sia automatizzato o se siano state dimostrate la migrazione tra modelli di base e la possibilità di annullare aggiornamenti regressivi.3
4 Inoltre, non riportano dettagli sufficienti per confermare specifiche affermazioni su latenza o prestazioni di coda nel test su Qwen2.5.
Restano quindi aperte alcune domande importanti: come distinguere i segnali di apprendimento utili da feedback rumorosi o fuorvianti; come verificare che gli aggiornamenti non causino regressioni o perdita di capacità precedenti; e come valutare la personalizzazione quando cambiano le esigenze dell’utente o il modello di base. Sono questioni da affrontare nella valutazione, non misure di sicurezza che le fonti dimostrino essere già state implementate.
La conclusione più prudente è che Tongyan Lingzhi ha descritto un’architettura di AI personale pensata per inserire capacità specifiche e durature in parametri leggeri, affiancata da infrastrutture volte a renderla più praticabile. Le fonti sostengono la direzione del progetto, ma non dimostrano l’esistenza di un sistema autonomo e sicuro contro le regressioni, né i miglioramenti numerici di prestazione richiesti.2
3
4
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Quando l’AI personale impara dall’esperienza"?
Tongyan Lingzhi propone di affidare le competenze personali a parametri leggeri sopra un modello di base condiviso, anziché basarsi soltanto su prompt e informazioni recuperate al momento.
What are the key points to validate first?
Tongyan Lingzhi propone di affidare le competenze personali a parametri leggeri sopra un modello di base condiviso, anziché basarsi soltanto su prompt e informazioni recuperate al momento. TIP punta a condividere le risorse GPU tra addestramento e inferenza; Paged LoRA è progettato per gestire gli adapter in modo più flessibile.