Scritto dal Team Scientifico Qubic
Come funziona un neurone nel tempo?
I neuroni biologici non funzionano come un interruttore della luce in una camera da letto che viene acceso. Sono un sistema dinamico continuo. Lo stato neurale evolve costantemente, anche in assenza di stimoli esterni.
Come funziona un neurone nel tempo?
Fondamentalmente, spostando cariche elettriche (ioni) dentro o fuori dalla sua membrana, cioè cambiando il suo potenziale elettrico. Gli ioni entrano o escono (principalmente sodio e potassio) attraverso i diversi pori del neurone con una certa intensità, modificando il potenziale. Ci sono alcuni pori, chiamati pori di perdita, dove gli ioni stanno sempre entrando ed uscendo.
Il tempo è implicito. Il potenziale elettrico cambia costantemente, nel tempo.
Il cambiamento nel potenziale elettrico di un neurone nel tempo dipende da:
La corrente esterna applicata + l'equilibrio tra i flussi di ioni sodio (che lo aumentano) e ioni potassio (che lo diminuiscono) attraverso le porte che si aprono e si chiudono.
Non farti prendere dal panico con il grafico. Le cariche elettriche positive e negative (ioni) fluiscono attraverso le porte causando depolarizzazione (quindi la corrente si muove fino alla fine del neurone) o iperpolarizzazione (quindi torna a uno stato neutro).
Il potenziale (V) cambia nel tempo, cioè matematicamente, dV/dt, in funzione della somma delle porte di input e output.
Questo è il modello fondamentale delle neuroscienze computazionali, che esprime che lo stato del neurone dipende sia dai segnali attuali che dalla sua storia immediata. Non c'è “ripristino” tra gli eventi, poiché ogni stimolo cade su un sistema che è sempre in funzione.
Ora passiamo a Neuraxon, che è un modello bio-ispirato.
Vogliamo che sia vivo, un tessuto intelligente. Non può avere stati discreti, ma continui.
In Neuraxon, invece di porte ioniche che si aprono e chiudono e muovono cariche con una certa intensità, cambiando tensione, abbiamo pesi sinaptici dinamici. Ma l'equazione del modello mantiene una chiara e diretta somiglianza con il neurone biologico.
Cosa significa questo?
Invece di V, la tensione nel neurone biologico, lo stato di Neuraxon è s. E cambia nel tempo anche, quindi ds/dt è una funzione dei pesi e delle attivazioni e dello stato precedente.
A differenza di un modello di IA classico, dove le pesature sinaptiche di una rete rappresentano output stereotipati a un input, in Neuraxon i pesi non sono statici.
Immagina, per esempio, un meccanismo di risposta automatica “inbox email”.
Nell'IA classica, la regola non si adatta o cambia nel tempo o nel contesto.
In Neuraxon, si tiene conto se l'input “email” proviene dalla stessa persona (il che potrebbe indicare urgenza) o se arriva in un fine settimana (il che potrebbe generare un output di nessuna risposta). In altre parole, la regola rimane, ma quando e come viene data la risposta è modulata.
I LLM calcolano il tempo?
I modelli di linguaggio di grandi dimensioni sembrano mostrare una profonda comprensione in molti contesti, ma operano sotto una logica diversa rispetto ai sistemi biologici (Vaswany, 2017). Non funzionano in base a una dinamica temporale interna, a un “cambio di potenziale” o a “pesature sinaptiche” che modulano la risposta, ma piuttosto elaborano sequenze discrete.
Nei LLM, “il tempo” non esiste, il che rende difficile per loro simulare il comportamento biologico (come l'intelligenza). I LLM sanno distinguere quale parola viene prima e quale viene dopo, ma non concedono un'esperienza di durata o persistenza. L'ordine sostituisce il tempo.
A differenza di Neuraxon, non possiedono ritmi interni che accelerano o rallentano, né mostrano una progressiva abituação agli stimoli ripetuti, né possono anticipare dinamicamente in base a uno stato interno che cambia nel tempo.
Il calcolo del modello LLM sarebbe qualcosa del tipo:
output = Fθ(input)
quindi i risultati sono soluzioni fisse da una funzione (combinazione) di input.
Non esiste uno stato come funzione del tempo. Questi sono dati che formano enormi matrici e cambiano il loro valore attraverso una funzione specifica, che, come nell'esempio citato, restringe le possibilità: input email → risposta automatica.
Concludendo. La distanza tra modelli bio-ispirati come Neuraxon e modelli di linguaggio di grandi dimensioni non dovrebbe essere spiegata in termini di potenza computazionale o volume di dati. C'è una differenza più profonda.
Il cervello è, di per sé, un sistema temporale continuo. Il suo funzionamento è definito da dinamiche che si sviluppano nel tempo, da stati che evolvono, decadono e si riorganizzano permanentemente, anche in assenza di stimoli esterni (Deco et al., 2009; Northoff, 2018).
Neuraxon si posiziona deliberatamente all'interno di quella stessa logica. Non tenta di imitare 1 a 1 la complessità biofisica del cervello, ma incorpora esplicitamente il tempo come variabile computazionale. Il suo stato interno evolve continuamente, porta il passato e modula il presente, consentendo l'adattamento senza la necessità di un ripristino.
I LLM, al contrario, operano in modo molto diverso. Manipolano simboli ordinati in sequenze discrete senza le proprie dinamiche temporali. Non c'è tempo, solo ordine. Non c'è adattamento, solo risposte predefinite.
Finché il tempo non fa parte dello stato che governa il calcolo, i LLM possono essere efficaci, ma difficilmente saranno autonomi in un senso forte.
L'intelligenza artificiale futura mira a operare in ambienti dinamici. Questo è il motivo per cui Neuraxon include il tempo come variabile fondamentale.
Un tessuto di intelligenza vivente…
Come si ricollega a Qubic?
Qubic fornisce l'ambiente computazionale in esecuzione continua e con stato necessario per un'intelligenza consapevole del tempo.
È il substrato naturale su cui modelli come Neuraxon - adattivi, persistenti e mai “ripristinati” - possono esistere ed evolversi.
Addenda
Dai un'occhiata alle equazioni. Non farti prendere dal panico!
1 Neurone biologico, V potenziale, “somma dei flussi di porte in & out”
2 Equazione del modello Neuraxon - chiara e diretta somiglianza con il neurone biologico.
s stato, wi & f(si) pesi sinaptici dinamici
3 Equazione del modello LLM. Gli input (ordinati in una matrice) creano output matriciali attraverso una funzione fissa
p (xn+1 | x₁, …, xn) = softmax (Fθ (x₁, …, xn) )
Riferimenti
Deco, G., Jirsa, V. K., Robinson, P. A., Breakspear, M., & Friston, K. J. (2009). Il cervello dinamico. PLoS Computational Biology, 5(8), e1000092.
Northoff, G. (2018). Il cervello spontaneo. MIT Press.
Vaswani, A., et al. (2017). L'attenzione è tutto ciò di cui hai bisogno. NeurIPS.
Vivancos, D., & Sanchez, J. (2025). Neuraxon: Un nuovo blueprint di crescita neurale & calcolo. Qubic Science.
rint. Qubic Science.