文章转载自"北大纵横"
德米斯·哈萨比斯（Demis Hassabis）发现：一个虚拟角色在模拟环境中自主探索、规划路径，并根据用户指令动态调整策略。其画面特别流畅，逻辑严密，仿佛已逼近通用人工智能（AGI）的临界点。 它无法解释为何刚执行的动作不再适用，也无法调用几分钟前的成功经验。 作为全球最接近AGI的实验室掌舵人，哈萨比斯一针见血地指出：“今天的系统是‘参差不齐的智能’（Jagged Intelligences）——在某些任务上惊艳绝伦，换个问法却连基础逻辑都崩塌。”这种忽强忽弱的智能波动，不是技术演进的阵痛，而是结构性危机的征兆。若放任其发展，AGI非但不会成为人类文明的加速器，反而可能演变为一场不可控的认知灾难。 而破解这一困局的关键，不在更大的参数、更强的算力，而在一个被长期忽视的核心组件：当前主流大模型的表现，恰如一位患有间歇性失忆症的天才。它能在数学竞赛中碾压人类冠军，却无法理解“如果你把一杯水倒进空杯子，杯子里有什么”；它能写出媲美莎士比亚的十四行诗，却对“昨天你说过的话”毫无印象。 这种剧烈波动并非能力不足，而是智能缺乏连续性与一致性的体现。部署后，它无法像人类一样通过日常交互持续吸收新信息。这意味着，无论模型多强大，其认知始终停留在“过去时”。例如，2024年某医疗AI在训练数据未包含新冠变异株XBB.1.5的情况下，仍向用户推荐已失效的抗病毒方案，造成潜在风险。 128K、1M甚至更长的上下文，本质是用算力换记忆，效率极低。更致命的是，模型并不真正“理解”哪些信息重要、哪些可遗忘——它只是机械拼接token，如同把图书馆所有书页撕碎后随机粘贴。实测显示，当上下文超过50K tokens时，关键信息召回率下降超40%，噪声干扰显著上升。 人类记忆分为感觉记忆、短期记忆、长期记忆，并通过海马体进行筛选与巩固。所有信息要么被丢弃（因超出上下文），要么被平等对待（导致噪声淹没信号）。一个客服AI可能在上午成功处理了某用户的退款请求，下午同一用户再次咨询时，却要求其重新提供订单号、身份证明等全部信息。 它的强大建立在海量数据的统计拟合之上，而非真正的理解与积累。要治愈AI的“认知癫痫”，必须重建其记忆系统。
这不是简单增加存储容量，而是构建一套类脑的记忆机制。
我们可以将其解剖为3个核心层面：
1. 持久化记忆存储：从“无状态”到“有历史”
当前模型本质上是无状态的函数映射：
输入→输出，中间不留痕迹。
真正的智能体必须具备持久化记忆库——
一个可读写、可更新、可索引的外部存储系统。
早在2014年，DeepMind就提出神经图灵机（Neural Turing Machine），尝试将神经网络与可寻址内存结合。它依赖预存文档，无法自主学习新事实。 未来的记忆系统需支持主动写入：当AI通过交互获得可靠新知（如用户纠正、实验验证、权威信源），应能将其结构化存入记忆库，并打上置信度标签。例如，若用户告知“我过敏花生”，系统不仅记住该事实，还应关联到饮食建议、药品禁忌等衍生知识。这种机制已在MemGPT等开源项目中初步实现，但尚未形成工业级标准。 人类通过睡眠实现记忆巩固——海马体将短期记忆回放，筛选重要信息，整合进新皮层的长期知识网络。哈萨比斯在访谈中明确提到：“大脑在睡眠中‘回放’白天的记忆……也许我们需要类似机制。”更重要的是，它能让AI从具体案例中提炼模式，实现元学习（meta-learning）。例如，多次处理医疗咨询后，系统可归纳出“症状-疾病-治疗”的推理框架，而非仅记住孤立病例。Google DeepMind在2024年发布的“DreamerV3”已展示此类能力：在强化学习环境中，通过离线回放提升策略泛化性达37%。人类能根据当前任务，精准调取相关经验，忽略无关信息。系统需理解当前任务的目标、约束、历史上下文，动态决定：需要哪类记忆？（事实、流程、偏好、教训）；时间范围？例如，在规划旅行时，AI应自动调取用户过往偏好（“讨厌红眼航班”）、预算限制、签证要求等，而非让用户重复输入。这种个性化、任务导向的记忆调用，才是智能体“懂你”的基础。微软Copilot在2025年初测试的“Personal Context Engine”已初步实现此功能，用户任务完成效率提升28%。这一范式带来惊人成果（如GPT-4），也掩盖了架构缺陷。 在资本追逐“更大更强”的狂潮中，这类需要长期投入的基础研究被边缘化。2023—2024年，全球Top 10 AI实验室中，仅DeepMind和Anthropic设有专职记忆架构团队，其余均聚焦模型压缩或推理优化。正如哈萨比斯所言：“未来几年，能发明全新算法构思的实验室将胜出。”——用户交互数据成为私有资产，用于迭代模型，但不反哺个体用户的记忆。你的聊天记录属于公司，而非你与AI共建的认知资产。 这种模式下，厂商无意开发开放、持久的个人记忆系统——Meta的Llama系列虽开源，但其配套记忆管理工具至今未开放；Google的Gemini Ultra虽支持长上下文，但用户无法导出或迁移个人记忆。 这些问题无标准答案，需跨学科协作（认知科学、密码学、分布式系统）。而当前AI研发仍以“端到端黑箱”为主流，排斥模块化设计。记忆系统要求透明、可干预的架构，与主流范式格格不入。78%的AI工程师认为“记忆模块会破坏模型端到端优化的简洁性”。
文中观点仅为作者观点，不代表本平台立场
各位读者朋友，公众号改了推送规则，如果您还希望第一时间收到我们推送的文章，请记得给北大纵横公众号设置星标。
点击左下方公众号“北大纵横”→点击右上角“...”→点选“设为星标⭐️” 
