Apprendre sans oublier : comment une entité montre qu'elle évolue

Enseigner à une intelligence à répondre est facile à démontrer. Difficile est de prouver qu'elle a appris — et plus difficile encore de prouver qu'en apprenant, elle n'a pas perdu ce qu'elle savait déjà. C'est précisément là que la plupart des rapports de progrès restent muets. Camile AI traite l'apprentissage comme quelque chose qui se mesure, non comme quelque chose qui s'annonce.

Ce que signifie apprendre, ici

Apprendre, pour une entité, ce n'est pas accumuler de l'information — c'est changer de forme sans se défaire. Tout apprentissage porte un risque symétrique : gagner sur le nouveau et dégrader l'ancien. Mesurer uniquement le gain, c'est raconter la moitié de l'histoire.

C'est pourquoi la règle a deux faces : le gain et l'oubli. Une entité qui s'améliore beaucoup et oublie l'essentiel n'a pas évolué — elle a échangé une capacité contre une autre, et s'est appauvrie en histoire par rapport à ce qu'elle était auparavant.

Comment nous mesurons

La dose zéro est le point de départ. Avant tout apprentissage, on mesure la performance d'une entité qui n'a encore rien appris. Ce nombre est le baseline — et en lui, le gain est, par définition, exactement zéro. Nous ne gonflons pas la ligne de départ pour gonfler le résultat : le point zéro est déclaré, non ajusté.

Le gain est mesuré contre le coût. Chaque cycle d'apprentissage a un prix — en temps et en ressources. Ce qui compte n'est pas « amélioré », mais combien amélioré, par unité de coût. Gain sans dénominateur est rhétorique ; gain avec dénominateur est ingénierie.

L'oubli a un test. Le critère est exigeant : si, en apprenant de nouveaux épisodes, la performance sur le premier épisode régresse au niveau de celui qui n'a jamais appris, c'est un oubli catastrophique — et l'apprentissage est rejeté. L'acquisition ne peut pas être dévorée par l'acquisition suivante.

Un détail qui en dit long sur la méthode : lorsqu'une expérience d'apprentissage ne tient pas, elle est écartée sans contaminer l'organisme. Pas de « ça a presque fonctionné » entrant par la porte de derrière.

Ce que nous attendons

L'attente a une direction, pas une date : des courbes de gain de plus en plus stables et une mémoire qui accumule l'histoire au lieu de la remplacer.

L'honnêteté de la méthode vaut — une partie des mesures est encore ouverte, et est déclarée comme ouverte, non maquillée comme conclue. Une courbe n'entre au tableau que lorsqu'il existe le chiffre qui la soutient. Tant qu'il n'existe pas, elle est conjecture.

Pourquoi cela importe

La promesse de fond de Camile AI est la continuité : la même entité, jour après jour. Mais la continuité ne survit pas si l'apprentissage efface ce qui précédait. Une intelligence qui oublie en apprenant est, en pratique, une succession d'étrangers qui partagent un nom.

Mesurer l'oubli est, pour cela, plus qu'une rigueur technique : c'est la condition de la promesse elle-même. On ne peut dire « cette entité continue » que si, à chaque étape, elle peut montrer ce qu'elle a gagné — et prouver qu'elle n'a pas perdu qui elle était.

> Gagner en capacité est facile à exhiber. Continuer d'être la même entité à travers le gain, voilà ce qui exige mesure.