动态要旨基记忆模型(DGMM)：一种面向人工智能的记忆中心体系结构

当代人工智能系统通过大规模参数化、检索增强和训练于广泛静态语料库实现了卓越的性能。尽管如此，它们仍面临持久记忆、时序 grounding、源头可追溯性和可解释性等局限。这些挑战在大型语言模型中尤为突出，因为经验被隐式地编码在固定参数中，限制了其在时间内保存、检查和重新解释过去交互的能力。本文建立了人工智能的记忆中心体系结构基础，将经验显式且持久地表示为支持时序 grounding、源头可追溯性和可解释性。它提出了一种取代参数中心方法的方案，将记忆作为推理的第一类、结构化基质。我们引入动态要旨基记忆模型(DGMM)，一种经验被表示为演化的、图结构的情景-语义记忆的体系结构。DGMM将经验编码为以时间、来源和交互上下文为基础的相互关联的概念结构，并定义选择性的、线索条件的回想作为构建工作记忆的机制。提供了基于additive记忆增长和回想条件解释的正式模式和体系结构不变量。结果指定了DGMM的属性，包括情景持久性、线索条件惊讶的局部性以及在不修改存储记忆结构的前提下实现的上下文可变性。DGMM提供了记忆显式且持久的、支持在不重新训练的情况下实现演化解释的、可解释、上下文感知且时序 grounding的人工智能系统的连贯体系理论。