最近的一项研究引入了受人类记忆启发的M2I框架，旨在解决当前大型人工智能模型的局限性，例如效率低下、能耗高以及缺乏推理能力。通过模拟类似大脑的记忆机制，该研究旨在创造出能够持续学习、自适应推理和动态信息处理的机器。
受人类记忆启发的新型人工智能框架可以使机器更加高效、适应性更强、推理能力更强。《工程学》杂志最近发表的一篇论文提出了一种新的人工智能方法，即模仿人类记忆的功能进行建模。该研究旨在克服ChatGPT等当前大型模型的关键局限性，为更高效、认知智能的人工智能系统奠定基础。
虽然大型模型在一系列应用中展现出了令人印象深刻的性能，但它们也存在着显著的缺陷。这些缺陷包括高数据和计算需求、易受灾难性遗忘的影响以及有限的逻辑推理能力。根据这项研究，这些问题源于人工神经网络的基本设计、其训练过程以及对纯数据驱动推理的依赖。
为了克服这些挑战，研究人员提出了“机器记忆”的概念，这是一种多层分布式网络存储结构，将外部信息编码为机器可读且可计算的格式。该结构支持动态更新、时空关联和模糊哈希访问。基于机器记忆，他们引入了M2I框架，该框架由表示、学习和推理模块组成，形成两个交互循环。
M2I框架主要围绕四个关键领域：
机器记忆的神经机制：该研究探讨大脑中的神经系统如何预先配置以及大脑发育和可塑性如何促进智力。
联想表征：该框架旨在通过抽象-具体链接和时空连接等关联来编码和检索信息，模仿人类记忆组织和检索知识的方式。
持续学习：为了解决灾难性遗忘问题，研究人员提出了支持持续学习的方法，即使在低功耗条件下也能实现。这使得人工智能系统能够整合新知识，而不会丢失先前的信息。
协作推理：该模型致力于结合直觉和逻辑推理系统，增强人工智能推理过程的可解释性和效率。
在每个领域，研究人员回顾了关键问题和最新进展。例如，在机器记忆的神经机制方面，他们探讨了大脑的发育和可塑性如何促进智力发展。在联想表征方面，他们探索了改进机器记忆中信息编码和检索的方法。在持续学习方面，他们提出了在不遗忘旧信息的情况下适应新知识的方法。在协作推理方面，他们致力于增强人工智能系统推理的可解释性和效率。
这项研究有可能彻底改变人工智能领域。通过模仿人脑的记忆机制，M2I框架有望开发出更智能、更高效的机器，使其能够更好地处理复杂任务并适应不断变化的环境。然而，要充分发挥这种方法的潜力，还需要进一步的研究。
受人类记忆机制启发的机器记忆智能研究为人工智能发展提供了一个充满希望的新方向。它为解决当前大型模型的局限性提供了全新的视角，并有望推动下一代智能机器的发展。随着研究的进展，观察这些想法如何转化为实际应用，以及它们如何影响各行各业，将会非常有趣。
编译自/ScitechDaily
