人工智能中长期记忆的革命：高容量与高速存储的新视野

出于 ``提升世界记忆'' 的使命，本文探讨了实现人工超智能（ASI）所必需的 ``记忆'' 设计概念，而不局限于提出新方法，而是聚焦于一些潜在收益广为人知却仍鲜有探索的替代方法。当前主导范式，可称为 ``提取后存储''，涉及从经验中提取被判定有用的信息并仅保存提取内容。然而，这种方法本质上风险信息丢失，因为某些针对不同任务的有价值知识可能在提取过程中被丢弃。相反，我们强调 ``存储后按需提取'' 方法，旨在保留原始经验并在需要时灵活地将其应用于各种任务，从而避免此类信息丢失。此外，我们进一步指出两项方法：从大量概率经验集合中发现更深层次的见解，以及通过共享存储的经验来提高经验收集效率。虽然这些方法看似直观有效，但我们的简单实验表明，确实如此。最后，我们讨论了限制这些有前景方向研究的主要挑战，并提出了解决这些挑战的研究议题。