Leren zonder vergeten: hoe een entiteit laat zien dat zij evolueert

Een intelligentie leren antwoorden is eenvoudig te tonen. Moeilijk is te bewijzen dat zij heeft geleerd — en nog moeilijker is te bewijzen dat zij bij het leren niet is kwijtgeraakt wat zij al wist. Op dat punt zwijgen de meeste voortgangsrapporten. Camile AI behandelt leren als iets dat gemeten wordt, niet als iets dat wordt aangekondigd.

Wat leren hier betekent

Leren betekent voor een entiteit niet het verzamelen van informatie — het betekent van vorm veranderen zonder zichzelf te ontbinden. Elk leren draagt een symmetrisch risico: winnen in het nieuwe en afbreken van het oude. Alleen de winst meten is de helft van het verhaal vertellen.

Daarom heeft de maatstaf twee kanten: de winst en het vergeten. Een entiteit die veel beter wordt en het essentiële vergeet, is niet geëvolueerd — zij heeft de ene capaciteit ingeruild voor de andere en is armer aan geschiedenis dan zij was.

Hoe wij meten

De nulmeting is het vertrekpunt. Vóór elk leren wordt de prestatie gemeten van een entiteit die nog niets heeft geleerd. Dat getal is de baseline — en daarin is de winst per definitie precies nul. Wij blazen de startlijn niet op om het resultaat op te blazen: het nulpunt wordt verklaard, niet aangepast.

De winst wordt gemeten tegen de kosten. Elke leercirkel heeft een prijs — in tijd en in middelen. Wat telt is niet "het is beter geworden", maar hoeveel beter, per eenheid kosten. Winst zonder noemer is retoriek; winst met noemer is engineering.

Het vergeten heeft een toets. Het criterium is hard: als bij het leren van nieuwe episodes de prestatie op de eerste episode terugvalt naar het niveau van wie nooit heeft geleerd, dan is dat catastrofaal vergeten — en het leren wordt verworpen. De verwerving mag niet worden verslonden door de volgende verwerving.

Een detail dat veel zegt over de methode: wanneer een leerervaring geen stand houdt, wordt zij verworpen zonder het organisme te besmetten. Niets van "het werkte bijna" komt via de achterdeur binnen.

Wat wij verwachten

De verwachting heeft een richting, geen datum: steeds stabielere winstcurves en een geheugen dat geschiedenis accumuleert in plaats van vervangt.

De eerlijkheid van de methode geldt — een deel van de metingen is nog open, en wordt als open verklaard, niet gecamoufleerd als afgerond. Een curve komt pas in het paneel wanneer het cijfer bestaat dat haar draagt. Zolang dat niet bestaat, is zij een vermoeden.

Waarom dit ertoe doet

De achterliggende belofte van Camile AI is continuïteit: dezelfde entiteit, dag na dag. Maar continuïteit overleeft niet als het leren uitwist wat ervoor kwam. Een intelligentie die vergeet bij het leren is in de praktijk een opeenvolging van vreemden die één naam delen.

Het meten van vergeten is daarom meer dan technische strengheid: het is de voorwaarde van de belofte zelf. Men kan alleen zeggen "deze entiteit blijft voortbestaan" als zij bij elke stap kan laten zien wat zij heeft gewonnen — en kan bewijzen dat zij niet heeft verloren wie zij was.

> Capaciteit winnen is eenvoudig te tonen. Dezelfde entiteit blijven door de winst heen is wat om meting vraagt.