中國上海交通大學和浙江大學等頂尖院校研究團隊開發出首個「AI 記憶系統」MemOS，解決 AI 模型無法實現人類般持久記憶和學習的根本限制。MemOS 將記憶視為核心運算資源，可進行調度、共享和演進，類似傳統操作系統管理 CPU 和儲存資源的方式。
目前 AI 系統面臨研究人員稱為「記憶孤島」問題的根本架構限制，無法與用戶維持連貫的長期關係。每次對話或會話基本上都從零開始，模型無法跨互動保留偏好、累積知識或行為模式。這造成令人沮喪的用戶體驗，因為 AI 助手可能在一次對話中忘記用戶提到的飲食限制，在下次詢問餐廳推薦時無法記起。
研究團隊在論文中寫道：「大型語言模型已成為通用人工智能的重要基礎設施，但缺乏完善定義的記憶管理系統，阻礙了長語境推理、持續個性化和知識一致性的發展。」現有模型主要依賴靜態參數和短期語境狀態，限制了其在長期內追蹤用戶偏好或更新知識的能力。
MemOS 透過稱為「MemCubes」的標準化記憶單元引入根本不同的方法，這些單元可封裝不同類型資訊，並可隨時間組合、遷移和演進。範圍從明確的文本知識到參數級適應和模型內啟用狀態，開發了此前不存在的統一記憶管理框架。
在評估記憶密集推理任務的 LOCOMO 基準測試中，MemOS 在所有類別中持續超越既定基線。該系統相較於 OpenAI 記憶實現取得 38.98% 的整體改善，在需要連接多個對話輪次資訊的複雜推理場景中表現特別出色。研究顯示：「MemOS 在所有類別中持續排名第一，超越 mem0、LangMem、Zep 和 OpenAI-Memory 等強勁基線，特別在多跳和時序推理等挑戰性設定中領先幅度很大。」
MemOS 實現研究人員描述的「跨平台記憶遷移」，允許 AI 記憶在不同平台和設備間可攜，打破目前將用戶語境困在特定應用程式內的「記憶孤島」。研究還概述了「付費記憶模組」的潛力，專家可將其知識打包成可購買的記憶單元。研究人員設想「臨床輪轉的醫學生可能希望學習如何管理罕見自體免疫疾病。經驗豐富的醫師可將診斷啟發法、詢問路徑和典型病例模式封裝成結構化記憶」供其他 AI 系統安裝和使用。
MemOS 的技術架構反映了從傳統操作系統設計中學到的數十年經驗，適應 AI 記憶管理的獨特挑戰。系統採用三層架構：用於 API 調用的介面層、用於記憶調度和生命週期管理的操作層，以及用於儲存和治理的基礎設施層。
系統的 MemScheduler 組件動態管理不同類型的記憶，從臨時啟用狀態到永久參數修改，根據使用模式和任務要求選擇最佳儲存和檢索策略。這代表與目前方法的重大背離，後者通常將記憶視為完全靜態（嵌入模型參數中）或完全短暫（限於對話語境）。
研究團隊將 MemOS 作為開源項目釋出，完整程式碼可在 GitHub 上獲得，並支援與 HuggingFace、OpenAI 和 Ollama 等主要 AI 平台整合。項目負責人李志宇在 GitHub 儲存庫中評論：「我們希望 MemOS 有助於推進 AI 系統從靜態生成器發展為持續演進、記憶驅動的代理。」
來源：VentureBeat
