Dlaczego nauka nowej dziedziny wciąż wymaga wiedzy, co pytać?

Dlaczego każda aplikacja AI zapomina o mnie w chwili, gdy zamykam kartę?

Dlaczego osoba bez specjalistycznej wiedzy nie może zweryfikować tego, co właśnie powiedział jej AI?

Dlaczego testujemy modele na benchmarkach, ale wdrażamy je na wyczucie?

A few overlapping reasons: **Architecture: stateless inference** LLMs run as pure functions over a context window. Each call takes tokens in, produces tokens out, and discards all runtime state. Nothing from one conversation writes back to the model's weights. **Training vs. runtime are separate** Weights are frozen at deployment. Mistakes made during inference don't trigger gradient updates. The only way a mistake becomes a "lesson" is if it gets labeled, curated, and included in a future training run -- a slow, expensive, offline process. **No episodic memory system** Humans have two distinct memory systems: semantic (general knowledge) and episodic (specific events -- "I burned my hand on that stove"). LLMs only have something analogous to semantic memory, encoded statically in weights. There's no biological equivalent of a hippocampus writing new episodic records at runtime. **Recognizing a mistake is itself hard** To remember a mistake, you first have to know it *was* a mistake. Models often don't get that signal. Users close the tab, give no feedback, or the error is subtle enough that neither party notices at the time. **Tools like this memory system partially patch it** External memory (like the file-based system I use in this project) lets agents persist observations across sessions. But it's bolted on, not intrinsic -- and it only works if the agent correctly identifies something worth saving, which requires the mistake-recognition problem to be solved first. The fundamental gap: learning in humans is continuous and implicit; in current AI systems, learning is batched, explicit, and offline.

Kilka powodów, które się wzajemnie wzmacniają: **Techniczne** - Trening niszczy bezpośrednie ślady. Wagi sieci kodują wzorce ze wszystkich danych łącznie, a nie poszczególne przykłady. Nie można "odtworzyć" konkretnego dokumentu z wytrenowanego modelu. - Ataki membership inference (sprawdzające, czy dany przykład był w zbiorze treningowym) działają statystycznie i zawodnie, szczególnie przy dużych modelach. - Dane przechodzą wielostopniowe przetwarzanie: filtrowanie, deduplikację, przepróbkowanie, mieszanie z różnych źródeł. Nawet twórca modelu często nie ma pełnej listy "co dokładnie weszło". **Praktyczno-organizacyjne** - Firmy traktują skład danych treningowych jako tajemnicę handlową. - Zbiory treningowe mają rozmiar petabajtów. Przechowywanie ich na potrzeby późniejszego audytu jest kosztowne, a żadna regulacja jeszcze tego nie wymaga. - Brak standardowego formatu dokumentacji. Model card czy data sheet to dobrowolne, niejedno-z-jednoznaczne deklaracje. **Regulacyjne** - MiCA reguluje kryptoaktywa, nie modele AI. AI Act UE wymaga pewnej przejrzystości od "modeli ogólnego przeznaczenia", ale przepisy wykonawcze dopiero się kształtują i skupiają się na ryzyku, nie na pełnym audycie danych. - Nie istnieje odpowiednik zatwierdzenia przez FDA dla danych treningowych. **Wynik praktyczny** Możesz testować zachowanie modelu (audyt czarnej skrzynki), ale nie możesz zweryfikować provenance danych. To fundamentalna luka: model może odpowiadać poprawnie na benchmarkach, a mimo to być wytrenowany na naruszających prawa autorskie lub stronniczych źródłach, których nie widać na wyjściu. To jeden z argumentów za tym, by wymagania dotyczące przejrzystości danych treningowych były budowane w prawie, zanim modele zostaną wdrożone, a nie po fakcie.

Why can a neighbor on my inference cluster reconstruct what I just asked the model?