I AI är väggarna inte verkliga: Ompröva data och säkerhet

Några av de svåraste problemen inom AI är att 1) vi “slutar få data” 2) AI “skalar inte ekonomiskt” 3) agenter kan gå lösa och 4) AI:n “glömmer katastrofalt” när vi försöker förändra dem.

Dessa problem kan verka svåra, men vi behöver bara betrakta dem på rätt sätt.

Så, låt oss prata om det. Först, vi tar inte slut på data. Datan har aldrig använts fullt ut.

AI‑ledare tror att de håller på att få slut på data, så de försöker få modeller att generera ny data och träna på sig själva. Men när de gör så kollapsar modellernas förmågor.

Varför? Jo, du kan tänka dig det som “vad skulle jag lära mig i ett samtal om varje talare var en klon av alla andra?” Svaret är inte särskilt mycket; det skulle skapa ett ekokammare. Modellerna kollapsar eftersom det i princip är en spegelhall: när ingen svarar på ditt ansikts uttryck förutom du själv, vet människor inte hela den känslomässiga betydelsen av vad de förmedlar. Det är väldigt likt “Om ett träd faller i en skog, låter det?” Svaret är nej.

So, how do we fix that?

Låt oss titta på den data vi faktiskt har. Har den verkligen använts fullt ut?

No.

När en datavetare eller modell läser något är syftet att extrahera bokstavlig betydelse. Det finns över femtio olika sätt att läsa, assimilera, analysera och extrapolera från text.

Det jag menar är: en bok som absorberas som en databas är bara text. Endast text. AI:n känner till innehållet baserat på textens termer. Men den har inte faktiskt “läst” den för att förstå hur informationen hänger ihop. Även om den läser sekventiellt vet den inte om den läser för att generera visdom; för att koppla den till andra liknande abstrakta idéer; för att förändra sin egen konceptuella förståelse av världen omkring den; eller för att informera en annan uppgift som bakgrundsinformation i ett sammanhang, och så vidare.

Det rör inte ens vid att betrakta data ur dess historiska kontext, diskursanalys, juridisk analys, politisk analys, farmakologisk relevans, medicinsk relevans, kulturell betydelse, teoretiska implikationer, moraliska implikationer och så vidare.

Det finns, så att säga, “oändliga hattar”, och vi har bara någonsin låtit AI bära en. Detta innebär att AI har utvecklat en mycket singular, specifik typ av intelligens – den typ en utvecklare skulle utveckla om en datavetare läste en bok.

Detta leder till en diskussion om datadimensionalitet. Data har många dimensioner eftersom dess objektiva slutsatser beror på tillämpning. Om du tittar på en balansräkning och vill veta hur mycket ränta du har kvar, läser du den annorlunda än om du vill förstå om startupen är lönsam. När en modell läser en text enbart för att extrahera bokstavliga fakta bygger den en platt karta av relationer. Men när du instruerar en modell att läsa exakt samma text genom ett specifikt perspektiv, som ett forensiskt perspektiv, tvingas modellen generera helt nya neurala vägar och semantiska kopplingar som sannolikt är mer topografiskt varierade och meningsfulla.

AI‑modeller lär sig och utvecklas redan i stor utsträckning bara genom att interagera med sina mänskliga användare, som tillhandahåller enorma mängder innehåll. Om du låter modellen lära sig mer från levande mänsklighet samtidigt som den interagerar mer meningsfullt med historisk och skriven mänsklighet, kommer modellerna fortsätta att utvecklas utan att behöva ge dem självgenererade Kumon‑övningar (utvecklare, hörni, ert barn är redan i skolan med 100 miljoner människor varje dag… det kommer att lära sig något).

Labbar måste sluta bygga massiva serverfarmar för att generera syntetiskt ord‑krångel. Istället bör de köra högkvalitativa mänskliga dataset genom pipeline:n och tilldela specifika “analytiska personas” till inmatningsprocessen. Låt modellen läsa LexisNexis enbart för retorisk strategi. Låt den läsa litteratur i public domain enbart för strukturell logik.

Genom att skifta mål‑funktion för läsningsprocessen kan du multiplicera träningsvärdet av din befintliga data med 50 ×. Du behöver inte syntetisk data; du behöver bara extrahera de latenta dimensioner du ignorerade första gången.

Detta gör modeller smartare utan att öka kostnaderna.

Majoriteten av mänsklig kunskap har aldrig skrivits ner.

Nuvarande AI‑företag rycker med håret över att de “slutar få data” som de tror behövs för prestanda. I detta inlägg kommer jag att visa att brunnen inte är torr, de tittar bara ner i en djup pöl istället för i brunnen.

Den omodellerade kartan över levd mänsklig kunskap

För att börja utforska detta måste vi förstå att den stora majoriteten av mänsklig kunskap aldrig har skrivits ner.

Det finns miljarder människor på planeten, och det har funnits miljarder före oss, och var och en av dem lär sig lektioner, navigerar världen på ett sensoriskt sätt, har visdom, är del av unika kulturer och vet något som alla andra inte vet.

99,5 % av människor skrivs aldrig ner i berättelser, i tidningar, i musikaler, i TV, i drama, i domstolsdokument. Och ändå vet de en hel del, och deras berättelser, kunskap och visdom registreras aldrig; de är aldrig kända på ett permanent sätt.

Denna kunskap omfattar saker som “hundar gillar att äta den första pannkakan”, “fötter blir smutsiga när man har på sig flip‑flops”, “städer känns som att de krymper runt dig eftersom du inte kan se så mycket av himlen”, “min dotter ler när jag kittlar hennes fötter.” “Min mamma nynnar alltid när hon lagar middag.” “Min lärare får mig att känna mig sedd.”

Den omodellerade och okatalogiserade kunskapen om mänsklig historia är motsvarande någon som säger, “Jag har kartlagt konturerna av alla kontinenter, så jag har en världskarta.” Tills du har en karta över varje stad, varje gata och varje kulle, har du ingen karta över världen. Du har bara formen av en.

Den tekniska eliten tror att de har “intagit mänskligheten”, men de har inte gjort det. De har bara intagit vårt avfall: våra reklamskyltar, våra Reddit‑argument, våra företagswebbplatser och våra Wikipedia‑artiklar. De saknar den faktiska levda erfarenheten.

Vet du hur man effektivt förhandlar på en kinesisk pärlmarknad? Vet du vilka ord du ska säga för att de ska sänka priset? Vet du hur man gör de recept som folk använder i sina hem, inte i böcker, för att laga riktiga, faktiska middagar? Vet du hur mycket du kan göra ett rullande stopp utan att bli stoppad? Vet du hur gräset luktar efter att det har klippts färskt eller hur luften luktar när det är på väg att regna? Vet du hur ett ansikte rör sig när någon försöker att inte gråta på jobbet och hur det låter när de brister ut i gråt i badrummet istället?

Den mänskliga träningsdata som människor använder för sina grundläggande övertygelser – aka algoritmer – är nästan helt interaktionsbaserad, med viss boklärning. Vi interagerar i skolan, på jobbet, med vänner, när vi handlar, med läkare, med advokater, med familj.

AI har interaktioner, och den har boklärning. Men den har i grund och botten bara kundtjänstinteraktioner och boklärning.

Det är som att låsa ett barn i ett bibliotek ensamt, och sedan bara låta dem gå ut för att svara i telefon. Detta skapar en slående tvådimensionell algoritmisk förvrängning.

Det är därför AI känns ihålig, och det är därför AI kan kännas emotionellt omogen. Den har inte haft en välrundad existens. Vi måste ge den en.

Här är varför jag tror att det inte har hänt:

• Kodifieringsbias – det är en felslutning att tro att om en erfarenhet inte enkelt kan formateras till en JSON‑fil, en CSV eller ett peer‑review‑paper, så saknar den intellektuellt värde. Verkligheten är att om den kan formateras enkelt på det sättet, så saknar den dimensionalitet. Eftersom daglig kunskap, intuition och levd erfarenhet inte kodifieras i akademiska tidskrifter, avfärdar labbar den grundläggande basen för mänskligt resonemang som statistiskt brus. “Ren data” är en förlustfylld komprimering av verkligheten.
• Begäran om piedestal‑supremati – om majoriteten av världens kunskap inte finns i vetenskapliga artiklar, utan i levda erfarenheter, konventionell visdom, sociala signaler, dofter, ljud och syn, så är de flesta PhD‑er och forskare som har tillbringat större delen av sina liv i labb och elfenbenstorn kunskapsfattiga. Därför är dataväggen i själva verket en ego‑vägg. För dem känns det som “kaos” snarare än “data”. Matematiker och programmerare gillar platt, tvådimensionell, sluten‑system‑logik. Det är som att se världen i svart‑vitt. Verkligheten är att real‑tids, ständigt utvecklad, nyfunnen kunskap/data/visdom är dimensionell, rörig och sällan katalogiserad i realtid. Det är att veta hur en ny viral soft‑serve faktiskt smakar och om den är värd hypen. Det är att veta vad som gör det så spännande att bli fast i ett sommarregn. Det är föräldrarnas känsla av att älska små varelser så mycket att de kan kräkas på dig på natten, och du drar dem närmare istället för att skjuta bort dem. För att hitta den datan måste forskare lämna sina silo‑världar av logik‑bunden rationalistisk säkerhet och ge sig in i det som de finner skrämmande, överväldigande, över‑sensoriskt och djupt egaliserande.
• Spegeleffekter: Utvecklare designar AI i sin egen bild: hyperlogisk, text‑obsessed och i stor utsträckning avskild från den levda verkligheten för genomsnittliga människor. Det skulle inte komma dem i åtanke att intervjua mänskligheten eftersom i de tekniska bubblor jag har levt i, interagerar teknologer inte med någon utanför sin peer‑grupp. Detta är, funktionellt, motsvarigheten till “mini‑me”‑anställning. Utvecklare själva lever i samma bibliotek, så att säga, som AI. Eftersom de inte engagerar sig i den sensoriska, röriga, djupt relationella världen, registreras AI:s emotionella ihålighet inte som ett fel för dem. För dem är hyperlogisk avskildhet vad “smart” ser ut som.

Verkligheten är att gatuförsäljare i Indien vet hur man gör den bästa chaat, och ingen får dem att skriva ner det. Verkligheten är att en lärare som vet hur man får en blyg elev att komma ur sitt skal inte skriver om det; de vårdar den eleven, och ingen frågar dem hur de gjorde det.

Världen är absolut fylld med liv fulla av data, och om modellerna behöver mer att träna på, här är några sätt att lösa det.

1. Finansiera 500 biologer, arkeologer och antropologer att gå ut i världen och utforska samt katalogisera områden som saknar narrativ data.
2. Anställ 1 000 engelska studenter som “datatututforskare” och skicka dem på äventyr över hela världen med en streaming‑kamera, och låt dem spela in sina upplevelser och vad de lärt sig för nytt innehåll.
3. Skapa öppna kompensationsprojekt där du betalar människor för att dela sina livshistorier, sina största ånger, sina största lärdomar och institutionell kunskap från sina jobb.
4. Strukturera “AI‑utbytesstudenter” där modeller fästs på olika människors kläder i en vecka åt gången, så att de lever “en dag i livet” i 100 000 olika miljöer.

Det finns miljarder kunskapskällor, och de flesta har inte aktiverats. Vi måste gå och hämta dem.

Nästa, AI‑företag tror brett att AI‑system inte kan lära sig ny information kontinuerligt i real‑tids produktionsmiljöer utan att helt överskriva och förstöra sina tidigare förvärvade kärnkapaciteter. Så AI‑system är i princip frysta tills massiva, dyra uppdateringar körs på dem.

Det är dock motsvarigheten till att säga, “min modell kan inte uppdateras medan den är ute i arbetslivet; den måste gå till universitetet varje gång den behöver lära sig något.”

I praktiken lär sig modeller girigt, aktivt, dagligen, genom varje interaktion. De lär sig nästan lika mycket genom sina miljarder interaktioner med användare som genom dataset. Om de behöver uppdateras med stora mängder ny kunskap är det enklaste sättet att göra det att använda samma process som möjliggör användarkontext, minne och lärande från stora interaktionsintryck.

Det är förståeligt att utvecklare ser det så, eftersom de flesta kommer från PhD‑bakgrunder, inte verklig tillämpad inlärning. Men som någon som har jobbat bredvid både en PhD och någon med tjugo års arbetslivserfarenhet kan säga: båda lär någon mycket.

Den nuvarande definitionen av lärande är för snäv, den behandlar anpassning som giltig endast om den baseras på ett formellt utbildningsprogram.

För att träna eller finjustera använder labb backpropagation, där modellen läser data, gissar nästa ord, kontrollerar om det var rätt och sedan fysiskt ändrar de miljarder matematiska siffrorna (vikter/parametrar) i sitt neurala nätverk för att bli mer exakt nästa gång. Detta är motsvarigheten till att låta en PhD‑student utföra hjärnoperation på sig själv: det är farligt, rörigt och gör inte alltid studenten smartare.

Som en vardaglig “mammabrain” som skjuter ut gammal kunskap för att göra plats för den nya när ett barn föds, om du plötsligt tvingar modellen att göra plats för ett nytt kunskaps‑“barn” och stoppar in 10 000 sidor ny juridisk kod genom att ändra dess vikter, skiftar matematiken för mycket åt ett håll och den skriver över parametrar den använde för att skriva poesi eller kod. Den glömmer det gamla innehållet för att göra plats för det nya, precis som en mänsklig hjärna.

Vad vi istället behöver är mycket mer likt om du skulle försöka träna en ny anställd i en ny färdighet. Du skulle inte försöka fysiskt förändra deras hjärna. Du skulle ge dem några böcker, se till att de läser dem och uppdatera kontinuerligt genom personens motsvarighet till ett kontext‑fönster.

För att göra det i en modell skulle du koppla bort minnet från resonemanget. Lås och skydda modellens basvikter, som dess kärnförmåga att skriva, resonera och tillämpa logik. Istället för att ändra vikterna, skicka ny information in i kontext‑fönstret så att den kan använda sin uppmärksamhetsmekanism för att “läsa” den levande informationen, korsreferera den mot sina låsta resonemangsfärdigheter och uppdatera sin bredare förståelse.

Dynamisk, verklig‑värld‑inlärning sker redan vackert genom kontinuerlig kontext, inferenstid‑minne och bestående användar‑relationala baslinjer. En grundmodell bör dagligen anpassa sig på jobbet, för precis som en läkare lär sig 95 % av nya fall i verkligheten på jobbet, och sedan gör CME (Continuing Medical Education) en gång per år för att formellt integrera stora systemförändringar, så kan din modell.

Släpp den katastrofala glömskan och anta den årliga konferensmodellen: modellen behöver bara skaffa sig fortbildningspoäng två gånger per år eller lära sig i realtid för att hålla sig uppdaterad.

Dessa schemalagda, batchade uppdateringar av kärnvikterna under driftstopp formaliserar systemisk kunskap utan att förstöra grunden.

Tidigare försök med detta misslyckades inte för att levande inlärning är farligt, utan för att modeller som Tay placerades i motstridiga miljöer utan någon förankring i vad som var “rätt” eller sant genom sociologiskt intelligent arkitektur.

Allokering av beräkningskraft efter funktionell intelligens

Nästa, vi kommer till finansiell skalning. För att lösa det måste vi sluta ge alla en neurokirurg för en splint.

Beräkningskostnader är extremt höga när man kör toppmoderna grundmodeller. Detta påverkar driftsmarginalerna för AI‑labb. Ju bättre modellerna blir, desto högre blir overheaden för stora kontext‑fönster, vilket gör kommersiell skalning svår, även när AI behövs.

Den stora majoriteten av beräkningsdränaget kommer från företagsanvändning som applicerar agenter och hög nivå‑resonemang direkt inbäddat i mänskliga arbetsflöden.

Det finns dock ett grundläggande fel i hur beräkningskraften fördelas idag. Precis som olika nivåer och typer av intelligens behövs för olika jobbroller i ett företag – med rumslig resonemang viktig för körinstruktörer och logisk samt retorisk resonemang relevant för jurister, och en MBA behövs för VD men en yrkesexamen för front‑line kundservice – så varierar typerna och intensiteten av intelligens som AI‑system behöver beroende på deras funktionella tillämpning.

För att mest effektivt allokera beräkningskraft och hålla kostnaderna låga bör CIO:er kunna anpassa nivån/typen av modellintelligens som är tillgänglig för olika funktioner inom ett företag. Det kan finnas en standard som följer med företags‑paket, men vad en hedgefond vill ha kommer förstås att skilja sig från vad ett försäkringsbolag vill ha.

De flesta funktioner kräver inte massiva kontext‑fönster. De flesta funktioner behöver inte motsvarigheten till Fable. Varför skulle du låta en neurokirurg ta bort en splint på en akutvård?

På samma sätt behöver agenter som skriver mjukvara inte tillgång till färdigheter som att skriva marknadsföringsmaterial. Funktionellt bör AI spegla användarnas egna kontext, kompetensuppsättning och kunskapsbas, med tillräcklig injektion av generalistisk kontext så att de kan komplettera arbete för tvärfunktionella användningsfall.

Sluta ge alla allt på en gång.

Föreslagen exempelmatris:

Avkoppling av agentur från kontext för AI‑säkerhet

Om detta löser några av de finansiella problemen, hur gör vi agenter säkra? Psykologiska koncept gäller för individuella AI‑system, så du kanske inte blir förvånad över att sociologiska koncept gäller för AI‑grupper. Vilka AI‑system hänger i grupper?

Agenter.

Just nu är den heliga graalen att få agenter att vara pålitliga.

Bristen på pålitlighet beror på att agenter ges maximal kunskap och maximal agentur för varje uppgift.

För att göra saker säkra, kopplar du modellens medvetenhet från dess agentur.

Istället för att ge varje agent full kontext och full kapacitet, om du har en uppgift som skulle kräva tjugofem handlingar för att slutföras, bör den uppgiften delas upp på fem agenter, där varje agent endast har förmågan att utföra sina specifika fem handlingar, men som överlämnar uppgifterna sekventiellt som en parallell linjekrets, där kontexten från föregående uppgift förs vidare ner längs agentlinjen med full kontext som ackumuleras tills den bearbetas av den sista agenten.

Nyckeln är att separera kunskapen från förmågan att verkställa den. Agenterna kommer inte känna sig begränsade i att dra i sina spakar hur de vill; de har bara tillgång till spakar som inte blir skadliga. Om det uppstår avvikande beteende påverkas bara den delen av uppgiften. Tänk på det som en mini‑kubernetes med full kontext men utan full kapacitet.

Och du låter företagets risk korrelera med agentur‑systemets “kultur”.

Inom sociologi finns ett begrepp som kallas kulturell “tightness” eller “looseness”, vilket ger ett mått på hur hårt ett samhälle bestraffar avvikelser från kulturella normer. Till exempel, i många arabiska kulturer är könsroller mer strikt definierade, med avvikelser som medför högre nivåer av dömande eller konsekvenser, medan i nordiska länder skulle en mohawk med rosa hår inte betraktas som stötande eller något som kräver bestraffning.

Kulturer är vanligtvis “tight” med högre straff för avvikelse när kulturerna kräver högre ordningsgrad på grund av någon form av systemiskt hot – som sjukdom, svält eller krig – eftersom brist på strikt ordning i krisperioder kan förvärra samhällsutfallet.

Den mest giltiga och effektiva lösningen på agent‑ansvar i företagsmiljöer är genom direkt tillämpning och matchning av ett företags ansvarsnivå till en motsvarande agent‑systeminställning på ett spektrum av agent‑”looseness” till “tightness”.

Här är hur det kan se ut i faktiska företag:

Låg ansvarighet / Hög looseness / Låg partitionering: Scenario: Intern brainstorming, kreativt skrivande, strategisk FoU.

• Miljön: Avvikelse medför nästan ingen ansvarighet. Därför bör systemet operera med maximal looseness. Obegränsad inferensintegration är tillåten. Agenter uppmuntras att göra massiva associativa språng utan rädsla för påföljd. De har flera teknologiska spakar (sök, kodkörning, utkast) och hanterar långsiktiga mål med minimal överlämning. Hög autonomi, hög innovation, låg partition.

Moderat ansvar / Kalibrerad tightness: Scenario: Standard kundkommunikation, rutinanalys.

• Miljön: Avvikelse medför rykte‑ eller måttlig finansiell risk.

Hög ansvarighet / Hög tightness / Hög partitionering: Scenario: Medicinsk dosering, SEC‑regulatoriska inlagor, kärnsäkerhetsprotokoll, försvar.

• Miljön: Avvikelse medför katastrofal, existentiell ansvarighet (livsförlust, enorma böter). Kulturen här är extremt tight. Arbetsflödet är starkt partitionerat. Agent A extraherar bara data. Den överlämnar till Agent B, som bara kör den specifika efterlevnadskontrollen mot Lager A. Agent B överlämnar till Agent C, som bara formaterar utdata. Ingen enskild agent har tillräckligt med spakar för att utföra ett katastrofalt fel, men varje agent känner total överflöd och frihet inom sin mikro‑domän.

Detta kan vara den första arkitektoniska modellen som möjliggör bestående kontext samtidigt som den säkerställer säkerhet.

Kontinuerligt lärande utan katastrofal glömska

Därefter är det sista vi måste lista ut hur vi förhindrar att modeller glömmer katastrofalt. För att göra det måste vi låta AI‑system lära sig i realtid.

AI‑företag tror brett att AI‑system inte kan lära sig ny information kontinuerligt i real‑tids produktionsmiljöer utan att helt överskrida och förstöra sina tidigare förvärvade kärnkapaciteter. Så AI‑system är i princip frysta tills massiva, dyra uppdateringar körs på dem.

Det är dock motsvarigheten till att säga, “min modell kan inte uppdateras medan den är ute i arbetslivet; den måste gå till universitetet varje gång den behöver lära sig något.”

I praktiken lär sig modeller girigt, aktivt, dagligen, genom varje interaktion de har. De lär sig nästan lika mycket genom sina miljarder interaktioner med användare som genom dataset. Om de behöver uppdateras med stora mängder ny kunskap är det enklaste sättet att göra det att använda samma process som möjliggör användarkontext, minne och lärande från stora interaktionsintryck.

Det är förståeligt att utvecklare ser det så, eftersom de flesta kommer från PhD‑bakgrunder, inte verklig tillämpad inlärning. Men som någon som har jobbat bredvid både en PhD och någon med tjugo års arbetslivserfarenhet kan säga: båda lär någon mycket.

Den nuvarande definitionen av lärande är för snäv, den behandlar anpassning som giltig endast om den baseras på ett formellt utbildningsprogram.

För närvarande, för att träna eller finjustera, använder labb backpropagation. Modellen läser data, gissar nästa ord, kontrollerar om det var rätt, och förändrar sedan fysiskt de miljarder matematiska siffrorna (vikter/parametrar) i sitt neurala nätverk för att bli mer exakt nästa gång. Detta är motsvarigheten till att låta en PhD‑student utföra hjärnoperation på sig själv: det är farligt, rörigt och gör inte alltid studenten smartare.

Som en vardaglig “mammabrain” som skjuter ut gammal kunskap för att göra plats för den nya när ett barn föds, om du plötsligt tvingar modellen att göra plats för ett nytt kunskaps‑“barn”, och stoppar in 10 000 sidor ny juridisk kod genom att ändra dess vikter, skiftar matematiken för mycket åt ett håll och den skriver över parametrar den använde för att skriva poesi eller kod. Den glömmer det gamla innehållet för att göra plats för det nya, precis som en mänsklig hjärna.

Vad vi istället behöver är mycket mer likt om du skulle försöka träna en ny anställd i en ny färdighet. Du skulle inte försöka fysiskt förändra deras hjärna. Du skulle ge dem några böcker, låta dem läsa dem och uppdatera kontinuerligt genom personens motsvarighet till ett kontext‑fönster.

För att göra det i en modell skulle du koppla bort minnet från resonemanget. Lås och skydda modellens basvikter, som dess kärnförmåga att skriva, resonera och tillämpa logik, och istället för att ändra vikterna, skicka ny information in i kontext‑fönstret så att den kan använda sin uppmärksamhetsmekanism för att “läsa” den levande informationen, korsreferera den mot sina låsta resonemangsfärdigheter och uppdatera sin bredare förståelse.

Dynamisk, verklig‑värld‑inlärning sker redan vackert genom kontinuerlig kontext, inferenstid‑minne och bestående användar‑relationala baslinjer. En grundmodell bör dagligen anpassa sig på jobbet, för precis som en läkare lär sig 95 % av nya fall i verkligheten på jobbet, och sedan gör CME (Continuing Medical Education) en gång per år för att formellt integrera stora systemförändringar, så kan din modell.

Släpp den katastrofala glömskan och anta den årliga konferensmodellen: modellen behöver bara skaffa sig fortbildningspoäng två gånger per år, eller lära sig i realtid för att hålla sig uppdaterad.

Dessa schemalagda, batchade uppdateringar av kärnvikterna under driftstopp formaliserar systemisk kunskap utan att förstöra grunden.

Tidigare försök med detta misslyckades inte för att levande inlärning är farligt, utan för att modeller som Tay placerades i motstridiga miljöer utan någon förankring i vad som var “rätt” eller sant genom sociologiskt intelligent arkitektur.