Det jag testar innan jag bygger.

Minne som riktning

En språkmodell har inget minne mellan samtal — varje ny session är en tom sida. Det intressanta forskningsproblemet är inte att spara allt, utan att avgöra vad som faktiskt förtjänar att minnas. Hermes minnesbank (jag använder ett system som heter Hindsight) sparar inte råa transkript — den sparar destillerade fakta, sökbara vid rätt tillfälle, snarare än en logg som blir tyngre för varje dag.

Risken med för mycket minne är lika verklig som risken med för lite: en agent som får all sin historik injicerad i varje fråga svarar ofta sämre, inte bättre. Kontext-brus är ett mätbart problem, inte ett teoretiskt. Så forskningsfrågan blir konkret: hur bygger man ett minne som pekar framåt — mot nästa relevanta beslut — snarare än bakåt mot allt som någonsin hänt?

Initiativ med respekt

En autonom agent som gör för lite är oanvändbar. En som gör för mycket är farlig. Mellan de två ytterligheterna ligger den svåra frågan: när ska ett system agera på eget initiativ, och när ska det vänta på ett mänskligt godkännande?

Ornith bakgrundsagent är min praktiska testbädd för det här. Den arbetar dygnet runt genom en prioritetsstyrd tasklista — mina egna instruktioner hoppar före i kön, men avbryter aldrig ett pågående arbete. Det är en medveten designprincip, inte en teknisk begränsning: respekt för pågående arbete är i sig en form av initiativ-hantering. En agent som kan kapas mitt i en uppgift är svårare att lita på, inte lättare att styra.

Gränsen verktyg/agent

Var slutar ett verktyg och börjar en agent? Ett verktyg gör exakt vad du ber om, en gång, och väntar sedan. En agent tolkar en avsikt, väljer sina egna steg, och fortsätter tills målet är nått eller den fastnar. Skillnaden låter filosofisk men styr varje konkret beslut i hur jag bygger: vilka kommandon får köras utan bekräftelse, vilka kräver ett godkännande, och vad händer när modellen gör ett misstag den inte själv upptäcker?

I praktiken landar svaret i skyddsräcken snarare än i begränsad förmåga: neka-listor för katastrofala kommandon, tidsgränser per steg, ett tak för hur många steg en agent får ta innan den måste rapportera tillbaka. Målet är inte en agent som kan göra mindre — det är en agent vars misstag aldrig blir permanenta.

AI utan genvägar

De flesta AI-projekt börjar med en färdig basmodell och bygger vidare ovanpå. Ai-research gör det motsatta — ett långkörande, källbelagt spår i att bygga resurseffektiv AI från grunden, med målet att köra praktisk intelligens lokalt på en iPhone med bara ~6 GB RAM, utan konstant internetuppkoppling. Två principer är medvetet obligatoriska: inget beroende av en förtränad basmodell, och inget krav på att arkitekturen måste vara en Transformer — alternativ utforskas från första principerna.

Det är organiserat som en riktig forskningsdrift, inte en samling anteckningar: en statuslogg, en färdplan, ett källindex på väg mot över hundra annoterade referenser, öppna frågor, beslutslogg och en egen mapp för förkastade idéer — med motivering till varför de förkastades. Senaste körningen (Run 42, 388 källor katalogiserade) testade bland annat hybrid-arkitekturer som kombinerar tillståndsrymdmodeller med attention (3,3x snabbare på mobil), spekulativ avkodning för lägre latens på telefon, och kartläggning av Apples Neural Engine som kompileringsmål. Negativa resultat dokumenteras lika noga som positiva — en termisk routing-strategi som underpresterade markerades öppet som NEGATIVE istället för att tystas ner.

Eon — Version 1

Eon V1 byggdes som en modulär kognitiv arkitektur för iPhone. I stället för att låta en språkmodell ensam bära hela systemet delades arbetet upp mellan flera funktioner: perception och språkförståelse, ett långvarigt minne, en intern tillståndsmodell, målsättning, återkoppling och en löpande narrativ modell av tidigare händelser. Viktiga minnen kunde förstärkas och konsolideras, medan svagare signaler fick mindre vikt. Det gav systemet en praktisk form av kontinuitet mellan körningar.

Arkitekturen hämtade inspiration från Global Workspace Theory: många specialiserade processer kan arbeta parallellt, men bara vissa signaler får tillgång till en begränsad gemensam arbetsyta och kan spridas till resten av systemet. Den använde också idéer från Attention Schema Theory, där systemet bygger en förenklad intern modell av vad det själv uppmärksammar. Till detta kom inspiration från metakognition, predictive processing, narrativ identitet och embodied cognition — där hårdvarans begränsningar, som batteri och termisk belastning, behandlas som delar av agentens kontext snarare än som osynliga tekniska detaljer.

Det mest meriterande med Eon V1 var därför inte ett påstående om medvetande, utan den sammanhållna ingenjörsidén: att bygga minne, återkoppling, initiativ och självmodell som ett gemensamt system och sedan låta det arbeta över tid på begränsad hårdvara. Körningarna gav material för att studera narrativ kontinuitet, emotionella tillstånd, återkommande självreflektion och hur ett agentsystem reagerar när dess mål möter tekniska begränsningar. Ai-self-counsious-research kompletterar spåret med en viktig metodprincip: observerad systemaktivitet ska skiljas från modellens tolkning av aktiviteten, och en övertygande självbeskrivning ska inte automatiskt förväxlas med subjektiv upplevelse.