你心中的理想AI是怎樣的？是《Her》中能記住人類喜好、長期陪伴人類的薩曼莎？還是《鋼鐵俠》中隨叫隨到、能記住托尼個人信息與偏好的賈維斯？然而，現(xiàn)實中的AI可能會讓你大失所望：

?? 不同時間問同一個問題，回答可能完全不一樣

?? 關(guān)閉AI再次打開，又是一次“全新”的對話

?? 想吃昨天的大“瓜”，AI卻查不到結(jié)果……

當前AI智能化程度不足的關(guān)鍵原因就在于其難以實時學習新增知識，也缺乏對最終用戶信息的長期記憶能力。這恰恰印證了現(xiàn)代計算機強化學習領(lǐng)域的傳奇人物Rich Sutton的觀點。他呼吁AI研究應(yīng)重拾“持續(xù)學習”的理念，因為這才是通向通用人工智能（AGI）的正確道路，也更符合人腦的學習模式。

這一挑戰(zhàn)也意味著新的發(fā)展機遇——全球AI企業(yè)再次站在了同一起跑線上。即使是OpenAI、Google、微軟等國際巨頭，也需從零開始探索這一領(lǐng)域。而一些敏銳的國內(nèi)AI企業(yè)已洞察先機，率先在實時學習能力上發(fā)力并取得突破。例如傳神語聯(lián)，其近期推出的傳神·歸藏大模型就具備了長期記憶與實時學習能力。

1

為何大多數(shù)AI很難實時學習新知識？

如果從技術(shù)角度看，當前AI主流使用的RAG或者Fine-Tuning（微調(diào)）方式很難讓AI具備實時學習新知識的能力。因為：

RAG：就相當于大模型外掛了一個知識庫，優(yōu)點是成本相對較低，但缺點是大模型沒法對外部知識庫進行深度學習。所以這類大模型在涉及到外部知識庫時，更類似于數(shù)據(jù)庫搜索， AI回答這部分知識時，水平會顯著下降。而且這種搜索還是每次都從頭到尾重新進行，不僅精度差，效率還低。

Fine-Tuning（微調(diào)）：是在預訓練好的AI模型上通過特定的少量數(shù)據(jù)進行額外訓練，讓AI模型適應(yīng)新的任務(wù)或領(lǐng)域。但微調(diào)成功有著極高門檻，首先要求用戶擁有高質(zhì)量數(shù)據(jù)集；其次還要避免這個數(shù)據(jù)集與百億、千億參數(shù)的大模型過擬合；在微調(diào)訓練時還要防止新增數(shù)據(jù)破壞原有大模型的神經(jīng)網(wǎng)絡(luò)……這些要求導致大模型微調(diào)的失敗率高達98%。

此外，還有上下文記憶問題。比如你打開AI進行多輪對話，這些對話就是上下文記憶。但這都是短期記憶，關(guān)閉AI就相當于數(shù)據(jù)清零，這就是為何AI總將你當做“陌生人”。而要讓AI記住你，就必然要保存這些聊天記錄并訓練到AI模型中去。

言而總之，就是AI不會保存用戶上傳的新增數(shù)據(jù)（長期記憶），更不會將這些數(shù)據(jù)訓練到模型中去（實時學習），AI自然就不“懂”你。

目前業(yè)界已對AI的“長期記憶”能力進行過一系列探索，比如Google發(fā)布的Titans論文中介紹了一種將新增知識壓縮并訓練至神經(jīng)網(wǎng)絡(luò)，讓AI模型具備長期記憶的方法；OpenAI也曾推出ChatGPT Memory版本，其會記錄用戶的對話和偏好；微軟則通過KBLam技術(shù)來增強知識庫以支持更多tokens。

雖然效果不一，但卻讓行業(yè)逐漸意識到，AI真正的長期記憶，必須根植于神經(jīng)網(wǎng)絡(luò)。

2

如何讓AI具備長期記憶能力？

要讓AI具備長期記憶能力，就必須突破AI模型的數(shù)據(jù)與推理混合一體模式。

在2024年5月時，OpenAI的CEO薩姆·奧特曼曾提出數(shù)據(jù)與推理引擎分離的架構(gòu)設(shè)計，并稱可能會在GPT-5及后續(xù)模型中使用，不過目前還沒看到后續(xù)。反倒是國內(nèi)的AI企業(yè)傳神語聯(lián)率先進行探索，在2024年11月正式發(fā)布任度大模型時，其核心“數(shù)推分離”雙網(wǎng)絡(luò)架構(gòu)已實現(xiàn)實時學習與長期記憶能力。該架構(gòu)的本質(zhì)，是將客戶數(shù)據(jù)學習網(wǎng)絡(luò)與推理網(wǎng)絡(luò)分離，雙網(wǎng)絡(luò)通過moH混合熵架構(gòu)聯(lián)動，在保障基座網(wǎng)絡(luò)推理能力不受影響的前提下，實現(xiàn)了對新增數(shù)據(jù)的實時學習與長期記憶。

更重要的是，“數(shù)推分離”架構(gòu)還帶來了數(shù)據(jù)安全。一直以來，企業(yè)在應(yīng)用大模型的時候，安全問題是企業(yè)的一大顧慮。而數(shù)推分離架構(gòu)，很巧妙地避免了這一問題，企業(yè)數(shù)據(jù)不用離場，即可實現(xiàn)對數(shù)據(jù)的實時學習。這樣一來，企業(yè)完全掌握數(shù)據(jù)主動權(quán)，可以放心大膽地部署大模型。

基于此，傳神語聯(lián)先后推出了傳神·素問中醫(yī)大模型和傳神·歸藏大模型。其中，傳神·歸藏大模型通過技術(shù)迭代，強化了長期記憶與實時學習能力，可對用戶上傳數(shù)據(jù)實時學習，能做到長文本理解、復雜任務(wù)推理、個性化對話、長期記憶用戶習慣等，為用戶提供更好的推理服務(wù)。

3

傳神·歸藏大模型有什么不一樣？

實時學習與長期記憶的能力，讓歸藏大模型更“懂”你。

具體來說，歸藏大模型不僅能記住對話歷史和工作上下文，還能通過積累用戶行為模式，預判需求并提供個性化服務(wù)，甚至能將通用資料、數(shù)據(jù)等轉(zhuǎn)化為專屬知識應(yīng)用，提供更貼合用戶期望的服務(wù)。

這就好比根據(jù)您的喜好風格，定制訓練了一個AI“私人助理”。

比如，您可以將日程上傳到歸藏大模型，它可以通過實時學習與長期記憶能力，讓您隨時隨地查詢具體日程。

此外，哪怕您關(guān)閉當前對話，創(chuàng)建新對話，歸藏大模型依然能夠回答對應(yīng)知識。這意味著您可以隨時隨地上傳新的數(shù)據(jù)，歸藏大模型也能隨時隨地回答您的任意提問。跨對話的能力，是歸藏大模型與其他AI最大區(qū)別之一。

當然，歸藏大模型也可以用于工作。比如上傳工作資料后，依托實時學習與長期記憶能力，即使在同一對話內(nèi)問一些“風牛馬不相及”的問題，它也能準確回答。

而針對一些敏感信息或者過期資料，則可以讓歸藏大模型“遺忘”，這相當于從歸藏的神經(jīng)網(wǎng)絡(luò)中刪除，一方面避免知識錯誤，同時也有利于數(shù)據(jù)安全。

每個人都是不一樣的個體，可能都有與眾不同的喜好，對“私人助理”也就有不一樣的要求。而借助長期記憶+實時學習能力，歸藏大模型可真正記住你的喜好，為用戶提供真正的“私人助理”服務(wù)。

錨定未來，傳神語聯(lián)以“根原創(chuàng)”深耕AI生態(tài)

看了傳神·歸藏的創(chuàng)新能力，你可能有這樣的好奇：為什么傳神語聯(lián)能持續(xù)輸出大模型新成果？

這一切，還要從傳神語聯(lián)的“根原創(chuàng)”說起。傳神語聯(lián)從底層算法框架到模型架構(gòu)完全自主研發(fā)，且通過了中國信通院0開源依賴的驗證。傳神語聯(lián)以這種對AI技術(shù)的執(zhí)著，將對技術(shù)的深刻理解轉(zhuǎn)化為行業(yè)應(yīng)用，推動大模型的具體落地。

從本次的歸藏大模型就能看出來，傳神語聯(lián)從長期記憶、實時學習這樣直擊大模型本質(zhì)的能力，讓業(yè)界看到了通用人工智能發(fā)展的一種新路徑，那就是記住用戶的點點滴滴，與用戶共同成長，展示了AI技術(shù)從“通用工具”向“專屬伙伴”的精準定位。

展望未來，大模型領(lǐng)域還會有很多技術(shù)要去突破，但可以肯定的是，這條創(chuàng)新路上，必然有傳神語聯(lián)。他能以“根原創(chuàng)”技術(shù)帶來哪些新驚喜？又能給行業(yè)帶來什么樣的啟發(fā)？答案交給時間。