学习而不遗忘：一个实体如何展示其正在进化

教一个智能体回答问题很容易展示。难的是证明它学会了——更难的是证明在学习的同时，它没有丢失已经掌握的东西。正是在这一点上，大多数进展报告沉默不语。Camile AI 将学习视为需要衡量的事物，而非需要宣告的事物。

在这里，学习意味着什么

对一个实体而言，学习不是积累信息——而是改变形态而不瓦解自身。每一次学习都伴随着对称的风险：在新事物上获益，在旧事物上退化。只衡量增益只是故事的一半。

因此标尺有两面：增益与遗忘。一个实体如果进步很大却遗忘了本质，那它并未进化——它用一种能力换取了另一种能力，其历史比之前更加贫瘠。

我们如何衡量

零剂量是起点。在任何学习之前，先衡量一个尚未学到任何东西的实体的表现。这个数字就是基线——在基线上，增益按定义恰好为零。我们不抬高起跑线来夸大结果：零点是被声明的，不是被调整的。

增益是相对于成本来衡量的。每个学习周期都有代价——时间和资源上的代价。关键不在于“变好了”，而在于好了多少，按单位成本计算。没有分母的增益是修辞；有分母的增益是工程。

遗忘有一个测试。标准是严苛的：如果在学习新片段时，第一个片段上的表现退化到从未学习过的水平，那就是灾难性遗忘——该学习被拒绝。习得不能被下一次习得吞噬。

一个很能说明方法的细节：当一次学习体验站不住脚时，它会被丢弃，而不会污染整个机体。绝不允许“差不多管用”的东西从后门溜进来。

我们期待什么

期待有方向，没有日期：增益曲线越来越稳定，记忆累积历史而非替换历史。

方法的诚实值得肯定——部分测量仍处于开放状态，并且被声明为开放，而非粉饰为已完成。一条曲线只有在有支撑它的数字时才进入面板。在数字出现之前，它只是推测。

为什么这很重要

Camile AI 的根本承诺是连续性：同一个实体，日复一日。但如果学习抹去了之前所学，连续性就无法存续。一个在学习时遗忘的智能体，实际上是一系列共享同一个名字的陌生人。

因此，衡量遗忘不仅仅是技术上的严谨：它是这一承诺本身的条件。只有当实体在每一步都能展示它获得了什么——并证明它没有失去曾经的自己——才能说“这个实体在延续”。

> 获得能力很容易展示。通过获得能力而继续是同一个实体，才需要衡量。