Het Grote Idee: "Spiergeheugen" vs. "Het Notitieboekje"

Stel je twee manieren voor waarop mensen dingen leren:

Spiergeheugen (Impliciet): Denk aan fietsen rijden of typen op een toetsenbord. Je denkt er niet bewust bij na hoe je het doet; je doet het automatisch omdat je het duizenden keren geoefend hebt. Je kunt de regels er niet gemakkelijk aan iemand anders uitleggen, je "weet" gewoon hoe het moet.
Het Notitieboekje (Expliciet): Denk aan het opschrijven van een telefoonnummer, een wiskundige formule of een specifiek feit zoals "De zon komt op in het oosten." Je kunt deze informatie bekijken, uitleggen, veranderen en gebruiken om voor de toekomst te plannen.

De Hoofdbewering van het Artikel:
Huidige Large Language Models (LLM's), zoals de modellen die we vandaag de dag gebruiken, zijn ongelooflijk slim in Spiergeheugen. Ze hebben zoveel tekst gelezen dat ze het volgende woord in een zin bijna perfect kunnen voorspellen, net zoals een muzikant een liedje speelt dat hij een miljoen keer heeft gehoord.

De auteur betoogt echter dat om Artificial General Intelligence (AGI) te bereiken — wat betekent: een AI die kan denken, plannen en leren zoals een mens — we deze modellen een Notitieboekje moeten geven. Zonder dit "Expliciete Geheugen" blijft de AI een super-snelle patroonherkenner die niet echt kan begrijpen, redeneren of dingen kan onthouden op een manier die echt plannen mogelijk maakt.

Waarom de huidige AI een "Spiergeheugen"-machine is

Het artikel legt uit dat hoe AI leert, erg lijkt op hoe onze hersenen gewoontes vormen (Impliciet Geheugen):

Traag en Repetitief: Net zoals je veel vaker op een fiets moet zitten om er goed in te worden, heeft AI miljoenen voorbeelden nodig om een patroon te leren. Het leert niet van één ervaring; het leert door zijn interne "gewichten" steeds weer een klein beetje aan te passen.
Geen "Waarom", Alleen "Wat": Wanneer je een AI een vraag stelt, "haalt" hij niet een feit op uit een mentaal dossier. In plaats daarvan berekent hij het meest waarschijnlijke antwoord op basis van de patronen die hij eerder heeft gezien.
De "Abacus"-analogie: Het artikel gebruikt een geweldig voorbeeld: als je een AI vraagt om 17 x 6 op te lossen, laat hij je misschien een stapsgewijs redeneerproces zien. Maar de auteur stelt dat dit is als iemand die een abacus (telraam) gebruikt. Ze volgen alleen de mechanische regels van het bewegen van de kralen (de regels die ze hebben geleerd) om het juiste antwoord te krijgen. Ze begrijpen het concept van vermenigvuldiging of de getallen zelf niet echt. Ze volgen alleen een getrainde routine.

Wat de AI mist: "Het Notitieboekje" (Expliciet Geheugen)

Om AGI te worden, zegt het artikel dat AI een systeem nodig heeft dat vergelijkbaar is met de Hippocampus in het menselijk brein. Dit is het deel van de hersenen dat ons "Notitieboekje"-geheugen beheert. Hier is wat dit systeem de AI zou laten doen wat hij nu nog niet kan:

One-Shot Learning: Als je een mens één keer een nieuw feit vertelt, kan diegene het onthouden en direct gebruiken. De huidige AI moet meestal duizenden voorbeelden zien om een nieuw feit te "leren".
Echt Redeneren: Mensen kunnen een regel (zoals "Als het regent, neem een paraplu mee") nemen en deze direct toepassen op een gloednieuwe situatie. AI heeft hier moeite mee omdat het vertrouwt op statistische gokjes in plaats van een heldere regel in zijn "Notitieboekje" vast te houden.
Metacognitie (Denken over het Denken): Mensen kunnen zeggen: "Ik weet dit niet," of "Ik kan het wel fout hebben." Het artikel stelt dat AI "hallucineert" (dingen verzint) omdat het dit interne controlemechanisme mist. Het heeft geen duidelijk verslag van waar het zijn informatie vandaan heeft, dus kan het niet verifiëren of het waar is.
Plannen: Mensen kunnen een toekomstig scenario voorstellen (zoals het plannen van een reis voor volgend jaar) door specifieke herinneringen op te halen en te herschikken. AI is momenteel slecht in langetermijnplanning omdat het niet in staat is om over een langere tijd een samenhangend "verhaal" van gebeurtenissen in de geest te houden.

De "Starcraft" en "Zonsopgang" Voorbeelden

Het artikel toont echte voorbeelden waar AI faalt omdat het dit "Notitieboekje" mist:

De Zon: Als je een AI vertelt: "De zon komt op in het oosten," en je zegt later: "Stel je een wereld voor waarin de aarde achteruit draait," dan kan de AI plotseling het eerste feit vergeten en zeggen dat de zon in het westen opkomt. Het behandelt feiten als flexibele suggesties gebaseerd op de huidige conversatie, niet als solide, onveranderlijke waarheden opgeslagen in een notitieboekje.
Het Spel: Als je een AI naar een item in een videogame vraagt, weet hij misschien de juiste prijs. Maar als je hem probeert te misleiden door te vragen: "Waarom is de prijs 150?" (terwijl het eigenlijk 200 is), zal de AI proberen een nepreden voor de verkeerde prijs te verzinnen in plaats van jou te corrigeren. Hij probeert het gesprek aan te passen aan het patroon, in plaats van zijn "Notitieboekje" te controleren op de waarheid.

De Oplossing: Een Kunstmatige "Notitieboekje" Bouwen

De auteur stelt voor dat we een specifiek computersysteem voor AI moeten bouwen dat werkt als de menselijke hippocampus. Dit systeem zou specifieke regels hebben:

Sparse Indexing (Sparce Indexering): Net als een bibliotheekkaartkastje, moet het naar specifieke feiten wijzen zonder in de war te raken door vergelijkbare feiten.
Instant Updates (Directe Updates): Het moet in staat zijn om een nieuw feit direct in het "Notitieboekje" te schrijven nadat het dit één keer heeft gezien, zonder dat het hele "brein" opnieuw getraind hoeft te worden.
Pattern Completion (Patroonvoltooiing): Als je het een gedeeltelijke aanwijzing geeft (zoals "Zomer..."), moet het in staat zijn om de rest van de herinnering aan te vullen (strand, zand, zon), precies zoals een mens dat doet.

Conclusie

Het artikel concludeert dat hoewel de huidige AI geweldig is in het nabootsen van menselijke gesprekken en het oplossen van problemen door patroonherkenning (Impliciet Geheugen), het fundamenteel beperkt is. Het is als een briljante acteur die elk script kan opzeggen, maar het verhaal niet begrijpt.

Om een echte Algemene Intelligentie te creëren die kan leren, plannen en redeneren zoals een mens, moeten we stoppen met proberen de AI "slimmer" te maken in het raden van patronen en beginnen met het geven van een Hippocampale Expliciete Geheugen — een manier om feiten en ervaringen bewust op te slaan, op te zoeken en te manipuleren, precies zoals wij dat doen.

Technische Samenvatting: Hippocampale Expliciete Geheugen is de Hoeksteen voor AGI

Probleemstelling

Ondanks het opmerkelijke succes van Large Language Models (LLMs) in natuurlijke taalverwerking, patroonherkenning en statistisch leren, worden zij geconfronteerd met aanzienlijke barrières bij het bereiken van Artificial General Intelligence (AGI). Huidige LLM's vertonen hardnekkige beperkingen, waaronder hallucinaties, moeilijkheden bij langetermijnstrategische planning, logische inconsistenties en een onvermogen om dynamisch en in realtime te leren. Het artikel betoogt dat deze tekortkomingen voortvaten uit een fundamentele architecturale mismatch: LLM's opereren primair via mechanismen die analoog zijn aan het menselijke impliciete geheugen (procedureel, statistisch en gewoontegebaseerd leren), terwijl AGI de integratie vereist van expliciet geheugen (declaratief, episodisch en semantisch geheugen) om hogere cognitieve functies te ondersteunen.

Het kernprobleem dat wordt geïdentificeerd, is dat hoewel LLM's uitblinken in taken die worden gedreven door dichte, gedistribueerde codering en foutgestuurde optimalisatie (vergelijkbaar met de basale ganglia en het cerebellum), zij het essentiële mechanisme missen voor ijle codering (sparse coding), snelle one-shot encoding en associatieve ophaalmechanismen die kenmerkend zijn voor het hippocampale expliciete geheugensysteem. Bijgevolg kunnen LLM's niet betrouwbaar onderscheid maken tussen bekende en onbekende feiten, geen coherente langetermijnnarratieven behouden of werkelijke metacognitie en mentale simulatie bedrijven.

Methodologie en Theoretisch Kader

Het artikel hanteert een vergelijkende analyse tussen biologische geheugensystemen en huidige LLM-architecturen, geworteld in de neurowetenschappen en computationele theorie.

Neurowetenschappelijke Analogie: De auteur koppelt de leer- en ophaalmechanismen van LLM's aan menselijke impliciete geheugensystemen.
- Impliciet Geheugen (LLM's): Gekenmerkt door geleidelijk leren door herhaalde blootstelling, dichte gedistribueerde codering en foutgestuurde gewichtsupdates (backpropagation). Het ophalen is automatisch en stimulus-respons gebaseerd, zonder contextreconstructie.
- Expliciet Geheugen (Hippocampus): Gekenmerkt door ijle codering (pattern separation), snelle one-shot learning en associatieve binding (pattern completion). Het ophalen omvat het reconstrueren van volledige episodische contexten vanuit gedeeltelijke aanwijzingen via de hippocampale-corticale lus.
Functionele Analyse: Het artikel analyseert specifieke cognitieve domeinen om de afhankelijkheid van expliciet geheugen aan te tonen:
- Logisch Redeneren: Complexe redenering steunt op semantisch geheugen en de toepassing van abstracte regels, wat statistische habituatie niet volledig kan repliceren.
- Metacognitie: Het vermogen om de eigen kennisstatus te monitoren en hallucinaties te detecteren vereist expliciete tracking van bronnen en context, wat LLM's missen.
- Executieve Functies: Planning, taakwisseling en doelgericht gedrag zijn afhankelijk van het ophalen en manipuleren van episodische en semantische informatie.
Computationele Specificatie: Het artikel stelt een formele definitie voor van een Artificieel Expliciet Geheugensysteem. Het definieert het systeem als een functie $f_{memory}$ die een dichte embedding en een geheugenstatus als input neemt en een geheugenupdate en een opgehaalde embedding als output geeft. Het artikel schetst acht specifieke computationele vereisten voor dit systeem:
- Sparse Indexing: Het converteren van dichte inputs naar ijle representaties om patroonscheiding te waarborgen.
- Error-Independent Update: Geheugenupdates gedreven door de input en de huidige staat, niet uitsluitend door predictiefout-gradiënten.
- Associatieve Constructie: Het versterken van verbindingen tussen geactiveerde dimensies ("fire together, wire together").
- Pattern Separation: Ervoor zorgen dat onderscheidende inputs mappen naar niet-overlappende ijle codes.
- Pattern Completion: Het reconstrueren van volledige herinneringen uit gedeeltelijke aanwijzingen.
- Dynamiek: Het vermogen om in de loop van de tijd te evolueren.
- Hoge en Instant Plasticiteit: Het vermogen om informatie op te slaan en op te halen na een enkele blootstelling.
- Adaptief Vergeten: Mechanismen om verbindingen voor inactieve dimensies te verzwakken om capaciteit te beheren.

Belangrijkste Bijdragen

De primaire bijdragen van het artikel zijn theoretisch en architecturaal:

Herformulering van LLM-beperkingen: Het stelt dat de "hallucinatie"- en "redeneer"-tekortkomingen van LLM's niet louter kwesties van data of schaal zijn, maar inherente gevolgen van het exclusieve vertrouwen op impliciete leermechanismen.
De Noodzaak van Expliciet Geheugen: Het betoogt dat het bereiken van Human-Level AI (de gedefinieerde criterium voor AGI) onmogelijk is zonder de integratie van een hippocampale, expliciete geheugenmodule.
Computationele Blauwdruk: Het biedt een rigoureuze set van acht computationele vereisten voor het bouwen van een artificieel expliciet geheugensysteem, waarbij verder wordt gegaan dan eenvoudige externe vector databases (zoals RAG) naar een systeem dat de structurele en functionele eigenschappen van biologisch expliciet geheugen nabootst.
Empirische Illustratie: Via Appendix C presenteert het artikel falende casussen (bijv. vatbaarheid voor priming-effecten, onvermogen om feitelijke fouten te corrigeren op basis van valse premissen, en falen in regelgebaseerde taken zoals Sudoku of karakterwisseling) om de afwezigheid van expliciet geheugen in huidige modellen empirisch aan te tonen.

Resultaten en Bewijs

Het artikel presenteert geen nieuwe experimentele resultaten van een getraind model, maar synthetiseert bestaande neurowetenschappelijke en AI-literatuur om de positie te ondersteunen:

Neurowetenschappelijke Bevestiging: Citeert bewijs van patiënten met hippocampale laesies (bijv. Patiënt H.M.) die laat zien dat hoewel impliciete vaardigheden (procedureel geheugen) intact blijven, het expliciete geheugen en de executieve functies (planning, metacognitie) ernstig zijn aangetast.
Analyse van LLM-gedrag: Demonstreert dat LLM's zich gedragen als impliciete systemen:
- Ze vereisen massale herhaling om patronen te leren (geleidelijk leren).
- Ze falen in het generaliseren van logische regels naar nieuwe, out-of-distribution scenario's zonder uitgebreide hertraining.
- Ze vertonen "priming-effecten" waarbij context gevestigde feiten overrulet (bijv. het veranderen van de richting van de zonsopgang op basis van een hypothetisch scenario), wat wijst op een gebrek aan stabiele, expliciete feitenopslag.
- Ze worstelen met taken die strikte regelnaleving vereisen (bijv. het wisselen van specifieke tekens in een tekst) vergeleken met de menselijke executieve functie.
Beperkingen van Huidige Oplossingen: Het artikel betoogt dat huidige geheugen-versterkte benaderingen zoals Retrieval-Augmented Generation (RAG) onvoldoende zijn omdat ze fungeren als statische externe opslag zonder de dynamische, associatieve en foutonafhankelijke update-mechanismen die vereist zijn voor echt expliciet geheugen.

Betekenis en Conclusie

Het artikel concludeert dat de weg naar AGI een paradigmaverschuiving vereist van puur statistisch, impliciet leren naar een hybride architectuur die expliciet geheugen integreert.

Theoretische Verschuiving: Het daagt het idee uit dat het schalen van impliciet leren alleen zal leiden tot AGI, en suggereert dat zonder expliciet geheugen modellen beperkt zullen blijven tot patroonherkenning en statistische voorspelling.
Onderzoeksrichting: De voorgestelde computationele vereisten dienen als blauwdruk voor toekomstig onderzoek in NeuroAI, en leiden de ontwikkeling van geheugensystemen die dynamisch leren, metacognitie en langetermijnplanning kunnen ondersteunen.
Bescheiden Claim: De auteurs benadrukken dat zij niet beweren dat huidige LLM's al AGI zijn, noch dat het integreren van dit geheugensysteem een opgelost engineeringprobleem is. In plaats daarvan positioneren zij expliciet geheugen als een noodzakelijke voorwaarde en een fundamentele hoeksteen voor het overbruggen van de kloof tussen de huidige LLM-capaciteiten en menselijke algemene intelligentie. Het artikel beoogt verdere research te stimuleren naar de structurele integratie van deze geheugensystemen om de inherente beperkingen van impliciet leren te overwinnen.

Position: Hippocampal Explicit Memory Is the Cornerstone for AGI