Valori: Un Substrato di Memoria Deterministico per i Sistemi di Intelligenza Artificiale
Valori: A Deterministic Memory Substrate for AI Systems
December 25, 2025
Autori: Varshith Gudur
cs.AI
Abstract
I moderni sistemi di IA si basano su embedding vettoriali memorizzati e ricercati utilizzando l'aritmetica in virgola mobile. Sebbene efficace per la ricerca di similarità approssimata, questo progetto introduce una non-determinismo fondamentale: modelli, input e codice identici possono produrre stati di memoria e risultati di recupero diversi su diverse architetture hardware (ad esempio, x86 vs. ARM). Ciò impedisce la riproducibilità e la distribuzione sicura, portando a una divergenza silenziosa dei dati che ostacola la verifica post-hoc e compromette le tracce di controllo nei settori regolamentati. Presentiamo Valori, un substrato di memoria IA deterministico che sostituisce le operazioni di memoria in virgola mobile con l'aritmetica in virgola fissa (Q16.16) e modella la memoria come una macchina a stati riproducibile. Valori garantisce stati di memoria, snapshot e risultati di ricerca bit-identici su diverse piattaforme. Dimostriamo che la non-determinismo sorge prima dell'indicizzazione o del recupero e mostriamo come Valori impone il determinismo al confine della memoria. I nostri risultati suggeriscono che una memoria deterministica è un primitivo necessario per sistemi di IA affidabili. L'implementazione di riferimento è open-source e disponibile all'indirizzo https://github.com/varshith-Git/Valori-Kernel (archiviata su https://zenodo.org/records/18022660).
English
Modern AI systems rely on vector embeddings stored and searched using floating-point arithmetic. While effective for approximate similarity search, this design introduces fundamental non-determinism: identical models, inputs, and code can produce different memory states and retrieval results across hardware architectures (e.g., x86 vs. ARM). This prevents replayability and safe deployment, leading to silent data divergence that prevents post-hoc verification and compromises audit trails in regulated sectors. We present Valori, a deterministic AI memory substrate that replaces floating-point memory operations with fixed-point arithmetic (Q16.16) and models memory as a replayable state machine. Valori guarantees bit-identical memory states, snapshots, and search results across platforms. We demonstrate that non-determinism arises before indexing or retrieval and show how Valori enforces determinism at the memory boundary. Our results suggest that deterministic memory is a necessary primitive for trustworthy AI systems. The reference implementation is open-source and available at https://github.com/varshith-Git/Valori-Kernel (archived at https://zenodo.org/records/18022660).