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.