MeMo — De Dood van Dure AI-Retraining

Stel: je hebt als organisatie geïnvesteerd in een Large Language Model. Honderdduizenden euro's aan infrastructuur, finetuning, compliance-trajecten. En dan verandert de wet. Of je breidt uit naar een nieuw domein. Wat doe je?

Een team van MIT CSAIL, NUS, A*STAR Singapore en Liquid AI heeft daar nu een antwoord op. Op 14 mei 2026 publiceerden ze MeMo: Memory as a Model — een framework dat ik zonder overdrijving de belangrijkste AI-architectuur-doorbraak van dit jaar noem voor enterprise-toepassingen.

De drie paradigma's — en waarom ze tekortschieten

| Paradigma | Werking | Kernprobleem | |-----------|---------|-------------| | Non-parametric (RAG) | Haalt documenten op en stopt ze in de context | Context window limiet; kan geen cross-document relaties leggen | | Parametric (finetuning) | Traint kennis direct in modelgewichten | Peperduur; catastrophic forgetting | | Latent memory | Comprimeert kennis naar soft tokens | Tight coupling met specifiek model |

MeMo combineert de sterktes van alle drie. Een Memory model — een los, trainbaar model dat nieuwe kennis internaliseert — terwijl het Executive model volledig bevroren blijft.

Wat maakt dit bijzonder?

• Geen toegang tot LLM-weights of logits nodig → werkt met open én closed-source LLMs
• Geen catastrophic forgetting — hoofdmodel blijft intact
• Robuust tegen retrieval noise — lost de achilleshiel van RAG op
• Cross-document relaties worden wél vastgelegd
• Retrieval kost onafhankelijk van corpusgrootte — fixed-size model

Wat dit betekent voor enterprise AI

Voor compliance-gedreven sectoren — overheid, zorg, financiën — is dit een doorbraak. Je kunt nu een EU AI Act-compliant AI-systeem bouwen dat zijn domeinkennis continu ververst, zonder de hoofdarchitectuur aan te raken en zonder hercertificering.

Het team: Ryan Quek, Sanghyuk Lee, Alfred Leong, Arun Verma, Alok Prakash, Nancy F. Chen, Bryan Low, Daniela Rus, Armando Solar-Lezama — NUS, MIT CSAIL, A*STAR Singapore.