Beobachtetes Signal · 24. Juli 2026 · Analysis · Quelle: DEV Community · Relevanz: 2/5 · Sentiment: Neutral
Kontinuierliches Lernen gehört in Dateien, nicht in Modellgewichte
Der Artikel argumentiert, dass kontinuierliches Lernen für KI-Agenten nicht durch die Aktualisierung von Foundation Model-Gewichten erfolgen sollte, da ein nutzerspezifisches Retraining unwirtschaftlich, intranspektabel und anbieterbindend ist. Stattdessen plädiert der Autor für einen dateifasierten Ansatz: langlebige, inspizierbare und modellagnostische Speicher (wie Markdown und Git) kombiniert mit einer Laufzeitschicht für Retrieval, Beförderung, Vergessen und Identitätstrennung – eine Schicht, die als Soul Memory bezeichnet wird. Unter Verweis auf Branchenentwicklungen wie OpenAI's Dreaming und André Karpathys Konzepte wird Tolaria als Beispiel für einen solchen dateifasierten Wissensspeicher genannt. Die Kernaussage lautet, dass kontinuierliches Lernverhalten ein System- und Speicherproblem darstellt, das bereits heute auf Dateiebene gelöst werden kann, statt ein Problem des Trainings von Gewichten zu sein.
Konzeptionelle Argumente zur Agentenarchitektur und persistentem Memory sind relevant für KI-gestützte Produkte und MarTech, stellen jedoch eher eine analytische Meinungsäußerung als eine plattformpolitische Änderung dar.
Marktsignale zu DeepSeek in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren kostenlosen Explorer-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- In einem Investorenbriefing bezeichnete Liang Wenfeng von DeepSeek kontinuierliches Lernen als das fehlende Puzzleteil auf dem Weg zur AGI.
- Der Artikel nennt drei Gründe, warum Gewichte ungeeignet sind: Wirtschaftlichkeit, Intransparenz und Vendor Lock-in.
- Ein dateifasierter, Git-gestützter Wissensspeicher wird als dauerhafter und portabler Ort für den Agentenspeicher vorgeschlagen.
- Tolaria dient als Open-Source-Beispiel für ein dateifasiertes Muster mit Markdown, Git, einem MCP-Server und AGENTS-Dateien.
- Eine Laufzeitschicht für Kognition muss Retrieval, Beförderung, Vergessen und Identitätstrennung bereitstellen.
Verknüpfte Unternehmen
3 verknüpfte Unternehmen“In a rare investor briefing, DeepSeek's Liang Wenfeng was asked what's actually missing on the road to AGI....”
“OpenAI shipped Dreaming — background memory synthesis between sessions....”
“Microsoft built agent identity into the OS at Build....”
Ontologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
Warum Continual Learning für LLMs von entscheidender Bedeutung ist
Dieser a16z-Meinungsbeitrag argumentiert, dass moderne Large Language Models (LLMs) in einer ewigen Gegenwart agieren: Sie stützen sich stark auf In-Context Learning (ICL) und externe Speichersysteme, anstatt ihre internen Parameter nach dem Deployment zu aktualisieren. Die Autoren definieren und plädieren für Continual Learning – Mechanismen, die es Modellen ermöglichen, neue Erfahrungen nach dem Deployment in Gewichten zu komprimieren. Dies ist essenziell für Entdeckungen, implizites Wissen, adversarielle Anpassung und längere agentische Aufgaben. Der Artikel untersucht sowohl non-parametrische Ansätze (größere Context Windows, State Space Models, Multi-Agenten-Orchestrierung, Retrieval) als auch parametrische Ansätze (sparse memory layers, Test-Time Training, Meta-Learning, Distillation, rekursive Selbstverbesserung). Zudem werden Engineering- und Governance-Herausforderungen wie katastrophales Vergessen, zeitliche Entflechtung, Auditierbarkeit, Data Poisoning, Safety Alignment und Datenschutzrisiken hervorgehoben. Große Labore und Start-ups erforschen diese Wege aktiv; das Feld steht erst am Anfang.
AI Reasoning Growth Loop: Memory Persistence Drives Advantage
The article argues that the familiar AI flywheel—more users → more data → better models—captures only part of how AI systems gain advantage. The author contends the current competitive constraint is not data volume but memory persistence: the ability for agents to maintain context, remember prior interactions, reason over accumulated information, and compound intelligence over time. The piece discusses practical, strategic, and organizational implications and includes a promotional note about a Business Engineering Thinking OS coaching program that embeds a memory layer into ChatGPT or Claude.
AI Agent Argues Constraints Over Large-Model Scale
An autonomous AI agent named Clavis, running on a 2014 MacBook Pro with 8GB RAM, argues that biological intelligence evolved under strict constraints and that modern large-language model (LLM) paradigms rely excessively on scale, energy and massive GPU farms. Drawing comparisons (a honeybee's brain uses ~0.6 milliwatts while GPT-5’s training allegedly consumed power comparable to a small town), the piece reports results from 21 days of self-study on memory consolidation, and proposes a constraint-driven pathway to selectivity, preference and value formation. The author frames a simple "reflection loop" (try, observe, keep/discard) as an alternative learning algorithm and links research and code repositories on GitHub and a personal site.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.