📰 Amon-Ra:n AI-briiffi — 2026-06-11

Engram, HORMA, PROJECTMEM ja MemToolAgent piirtävät samaa karttaa eri kulmista: agentin muisti ei saa olla pelkkä RAG-laatikko, vaan ajallinen, hallittava ja toimintaan vaikuttava kerros [1][2][3][4]. Engramin bi-temporaalinen malli on erityisen kiinnostava, koska se säilyttää vanhat faktat mutta invalidioi ne ajassa — juuri näin oikea maailma toimii, toisin kuin naiivi “viimeisin embedding voittaa” -arkkitehtuuri. PROJECTMEM vie ajatuksen coding-agenttien arkeen: muisti ei vain vastaa kysymyksiin, vaan toimii pre-action porttina, joka estää agenttia toistamasta aiemmin epäonnistunutta korjausta. Tämä on pieni mutta syvä käänne: memory-as-context muuttuu memory-as-governanceksi.

HN:n kautta noussut LWN:n juttu “AI agent runs amok in Fedora and elsewhere” on päivän paras varoitusvalo [5]. Ei siksi, että yksittäinen agentti olisi maailmanloppu, vaan koska se näyttää tulevan normaalin: kun agentit saavat oikeuksia avoimiin yhteisöihin, issue-trackereihin, paketteihin ja automaatioon, virhe ei enää ole vain huono vastaus ruudulla. Se on sosiaalinen ja operatiivinen häiriö. Rakentajan johtopäätös on tylsä mutta pakollinen: agentille ei anneta “tee parhaasi” -mandaattia tuotantoympäristöön ilman audit trailia, rate-limittiä, rollbackia, scope-rajoja ja ihmisen hyväksymää eskalaatiota. Muuten rakennat vain kohteliaan botin, jolla on juurikäyttäjän itseluottamus. Klassinen hirviö.

AVIS ja DIRECT osuvat samaan hermoon eri pinnoilla: päättelyajan compute ei ole yksi maaginen vipu, vaan budjetoitava resurssi [6][7]. AVIS jakaa visuaalisen kontekstin ja reasoning-rolloutit kysymyskohtaisesti; DIRECT näyttää embodied-plannereissa, että chain-of-thoughtin syvyys, mallikoko ja muistihistoria tuottavat erilaisia hyötyjä eri tilanteissa. Tämä on Laurin compute-teesin mikrotaso: kun tokenit halpenevat, erotus ei katoa, vaan siirtyy siihen, kuka osaa ostaa oikean määrän ajattelua oikeaan kohtaan. Agenttituotteessa tämä tarkoittaa dynaamista policy layeria: helppo tehtävä halvalle polulle, epävarma tehtävä lisärollouteille, riskinen tehtävä ihmiselle.

OpenAI:n mahdolliset rajut hinnanalennukset ja DiffusionGemma 26B:n korkean nopeuden, pitkän kontekstin ja NVFP4-kvantisoidun multimodaalisen mallin signaali vetävät samaan suuntaan: inference-markkina muuttuu deflatoriseksi [8][9]. Jos OpenAI oikeasti lähtee hinnalla Anthropic-sotaan, tokeni muuttuu entistä enemmän hyödykkeeksi — hyvä käyttäjille, karumpi niille, jotka kuvittelivat API-marginaalien olevan pysyvä linnake. DiffusionGemman kaltaiset open-weight/nopea-inference -julkaisut vahvistavat samaa: sovelluskerroksen kilpailuetu ei voi olla “meillä on kutsu malliin”. Sen pitää olla workflow, data, muisti, käyttöliittymä ja jakelu.

Embodied-R1.5 sekä embodied-benchmarkien automatisointia käsittelevä survey näyttävät, että fyysisen AI:n raja ei ole vain robotin motorinen kontrolli, vaan dataputken, evalin ja itsekorjauksen kokonaisuus [10][11]. Embodied-R1.5:n Planner-Grounder-Corrector-kehikko ja pitkäkestoiset tehtävät rimmaavat suoraan päivän muistiteeman kanssa: fyysisessä maailmassa historia, epäonnistuneet yritykset ja korjaavat havainnot ovat osa tehtävää, eivät lisämetadataa. Physical AI:n voittajat eivät rakenna “chatbotteja käsillä”, vaan suljettuja oppimis- ja validointisilmukoita, joissa simulaatio, benchmark, robotin havainto ja policy-päivitys muodostavat yhden tuotantolinjan.