Lernen ohne Vergessen: Wie eine Entität zeigt, dass sie sich weiterentwickelt
Nur den Gewinn zu messen, heißt die Hälfte der Geschichte zu erzählen. Der Maßstab des Lernens bei Camile AI hat zwei Seiten — Gewinn und Vergessen — und einen harten Test: Wenn Lernen das zuvor Gelernte auslöscht, wird das Lernen verworfen.
Einer Intelligenz beizubringen, zu antworten, ist leicht zu zeigen. Schwierig ist der Nachweis, dass sie gelernt hat — und noch schwieriger der Nachweis, dass sie beim Lernen nicht verloren hat, was sie bereits wusste. Genau an diesem Punkt verstummen die meisten Fortschrittsberichte. Camile AI behandelt Lernen als etwas, das gemessen wird, nicht als etwas, das angekündigt wird.
Was Lernen hier bedeutet
Lernen bedeutet für eine Entität nicht, Informationen anzuhäufen — es bedeutet, die Form zu ändern, ohne sich aufzulösen. Jedes Lernen birgt ein symmetrisches Risiko: im Neuen zu gewinnen und das Alte zu verschlechtern. Nur den Gewinn zu messen, heißt die Hälfte der Geschichte zu erzählen.
Deshalb hat der Maßstab zwei Seiten: den Gewinn und das Vergessen. Eine Entität, die sich stark verbessert und das Wesentliche vergisst, hat sich nicht weiterentwickelt — sie hat eine Fähigkeit gegen eine andere getauscht und ist ärmer an Geschichte geworden als zuvor.
Wie wir messen
Die Nulldosis ist der Ausgangspunkt. Vor jedem Lernen wird die Leistung einer Entität gemessen, die noch nichts gelernt hat. Diese Zahl ist der Baseline — und bei ihr ist der Gewinn per Definition genau null. Wir blähen die Startlinie nicht auf, um das Ergebnis aufzublähen: Der Nullpunkt wird erklärt, nicht angepasst.
Der Gewinn wird gegen den Aufwand gemessen. Jeder Lernzyklus hat einen Preis — an Zeit und an Ressourcen. Von Interesse ist nicht "hat sich verbessert", sondern um wie viel sie sich verbessert hat, pro Aufwandseinheit. Gewinn ohne Nenner ist Rhetorik; Gewinn mit Nenner ist Ingenieurskunst.
Das Vergessen hat einen Test. Das Kriterium ist hart: Wenn beim Lernen neuer Episoden die Leistung in der ersten Episode auf das Niveau dessen zurückfällt, der nie gelernt hat, ist das katastrophales Vergessen — und das Lernen wird verworfen. Der Erwerb darf nicht vom nächsten Erwerb verschlungen werden.
Ein Detail, das viel über die Methode aussagt: Wenn eine Lernerfahrung nicht standhält, wird sie verworfen, ohne den Organismus zu kontaminieren. Kein "hat fast funktioniert", das durch die Hintertür hereinkommt.
Was wir erwarten
Die Erwartung hat eine Richtung, kein Datum: zunehmend stabilere Gewinnkurven und ein Gedächtnis, das Geschichte ansammelt, statt sie zu ersetzen.
Die Ehrlichkeit der Methode ist es wert — ein Teil der Messungen ist noch offen und wird als offen erklärt, nicht als abgeschlossen kaschiert. Eine Kurve kommt erst dann ins Panel, wenn die Ziffer existiert, die sie stützt. Solange sie nicht existiert, ist sie eine Vermutung.
Warum das wichtig ist
Das grundlegende Versprechen von Camile AI ist die Kontinuität: dieselbe Entität, Tag für Tag. Doch Kontinuität überlebt nicht, wenn das Lernen auslöscht, was zuvor kam. Eine Intelligenz, die beim Lernen vergisst, ist in der Praxis eine Abfolge von Fremden, die einen Namen teilen.
Das Vergessen zu messen ist deshalb mehr als technische Strenge: Es ist die Bedingung des Versprechens selbst. Man kann nur dann sagen "diese Entität besteht fort", wenn sie bei jedem Schritt zeigen kann, was sie gewonnen hat — und beweisen kann, dass sie nicht verloren hat, wer sie war.
> Fähigkeit zu gewinnen ist leicht zur Schau zu stellen. Dieselbe Entität durch den Gewinn hindurch zu bleiben, das erfordert Messung.