记忆的种子：构建有记忆力的AI-平芜编程栈

一旦记忆通过以加密的方式与来源及含义绑定，那么高质量的协作便成为了可能。各个智能体便可以在不泄露敏感数据的情况下，进行知识交换、引用或验证。

你也许注意到了，当我们每次打开ChatGPT、Claude或Gemini时，都需要从零开始。也就是说，就人工智能（AI）平台而言，不同用户开启的的对话、都是一套新的提示，而AI的每一次洞察，都会在用户关闭标签的那一刻被抹去。人们对于所有关于AI的智能化讨论，似乎都忽略了如今AI系统普遍患有“失忆症”。它们虽然是无国籍的工具，但无法互通经验与思想。

其实，AI这种在自身架构上的定义限制，已给用户使用的延续性带来了极大的不便。模型虽然可以预测下一个token，但是它们无法以有意义的方式“记住”之前或用户在其他平台交互过的内容。即使我们构建了能够“看到”、说出和编程的多模态系统，它们仍然缺乏持续性，因此我们亟待拥有能够模仿人类持续记忆与理解的成长型智能方案。

无状态化设计

从根源上说，模型的这种“健忘”不能算作一种错误，而是一种设计的选择。大语言模型通过针对性能进行优化，来隔离每个会话，进而保护隐私、简单性和可扩展性。作为一种权衡，也就出现了上文提到的“碎片化”。用户的偏好、任务的历史记录、以及积累的知识等有价值的上下文，不得不随着聊天会话的结束戛然而止。而那些真正启用跨会话持久记忆的智能体如今在主流系统中仍属少见。

有些人试图通过检索增强生成（RAG）或获取相关信息块的矢量数据库，来弥补这一差距，但这些只是权宜之计。它们只能模拟记忆的连续性，却无法能真正地共享与传递。毕竟，所谓记忆，我们需要AI智能体可以从过去的互动中学习、保留信息，进而保持上下文。因此，AI的真正记忆需要更深入的方法：一种能够保证机器随着时间的推移，跨生态系统进行存储、验证和共享知识的方法。

种子：AI记忆的元单位

如果AI可以将其知识作为便携的且可验证的介质予以传承，就像可以在任何地方发芽的“种子（Seeds）”一样。那么这些“种子”就应该是可压缩的、token化的记忆单元，能以结构化的方式存储各种释义、来源和上下文。它们不是静态的数据文件，而是自包含的理解片段，能够跨系统地进行引用、查询和重复使用。

同时，种子需要包含从学习的设计模式到客户档案或对话的语义摘要的所有内容。每个种子都携带着“元资料”，即：在什么模型下，在什么背景下，以及以多少确定性生成了回答。

此类“溯源”的重要性在于，它允许AI智能体信任和重复使用来自其他系统的信息，而不是盲目地复制它们。这种方法反映了知识在人际网络中的传递，即：我们不会复制整个历史；而是会共享精炼的见解。我们可以把此类“见解”理解为一种压缩的、编码过的意义模式。那么，种子实际上就是在给机器做类似的事情。

智能压缩和溯源

虽说压缩技术并非什么新鲜事物，但具有语义意义的压缩则比较新颖。结构化的记忆机制对于诸如Mem0架构的智能体系统而言，是实现长期对话连贯性的必要条件。

每一颗种子都包含了能够确保可追溯性的加密签名。想象一下，一个AI智能体在验证某个设计建议时，确实需要参考可靠的建筑师AI系统，而非未经验证的来源。这便是可追溯性的一种实际应用。它实现了去中心化的互操作性，正如去中心化的身份标准是如何在线认证人类与机器的操作那样。

所以说，一旦记忆通过以加密的方式与来源及含义绑定，那么高质量的协作便成为了可能。各个智能体便可以在不泄露敏感数据的情况下，进行知识交换、引用或验证。

从封闭系统到生态系统

目前，AI生态系统就像一座带围墙花园。OpenAI、Google和Anthropic分别将用户数据存储在各自的园内。每一家都有自己的API，自己的优化方法，自己的调用规则。用户在某个环境中获得的洞见，无法以原生的方式传递到另一个环境中。这就是为什么每个智能体都感觉像是他人的克隆体，而不是其他洞见的提炼与延续。

而基于种子的记忆层彻底打破了这种模式。如果上下文可以被传递，那么用户将成为记忆的所有者。研究人员可以从ChatGPT中提取自己多年来积累的AI辅助工作成果，并立即将其注入Gemini或其他私有模型中。而一个创意团队也可以在无需再培训的情况下，无缝地从一个生态系统转移到另一个。据此，AI智能体系统将从孤立的模型转向协作的代理网络。

这并不是幻想。事实上，智能体已能够在对等式、集中式或分布式结构中进行自由协调。而种子则可以在此基础上，允许持久的、可验证的知识在整个AI网络中传播。

因此，在此类模型中，记忆实际上是基础。而种子的功能则类似于机器的语义数据库，即：足够紧凑地被存储在链上、且足够丰富在查询时重建完整的理解。这就意味着AI将不仅可以感知上下文，还可以传递上下文。

此类影响可以说是巨大的。请试想一下医疗保健领域的AI。如今，患者数据以无法本地交互的上下文形式四处分散在不同的系统中。如果医疗AI可以交换种子（即加密的、可验证的知识胶囊），那么在不牺牲隐私的情况下，医疗护理的连续性就能够得到改善。而在教育领域，学习型AI可以像便携式种子一样保留学生的学习进步，以确保每个系统都了解他们的水平、风格和目标。另外，在创意产业中，种子可以实现模型之间的协作。我们可以让一个智能体来设计某个结构，让另一个智能体来优化它，而第三个智能体则可以参考相同的共享记忆层，来模拟该设计结构的性能。这足以体现从单智能体系统到多智能体生态系统的演变。

所有权、道德和数据经济

当然，记忆的共享势必会引起所有权的问题：谁该拥有AI的知识呢？是模型的提供者、还是训练它的用户？当各国政府就数据可移植性和AI权利进行辩论时，Seeds基于《欧盟人工智能法案》提出了一个简单的答案：记忆属于其来源。也就是说，如果用户产生了一个想法，那么产生的种子就可以被加密、签名，并以他们的数字身份存储，就像他们头脑中的一个标记化片段一样。这可不是什么比喻，这实际上是一个AI道德的技术框架。种子可以通过将知识锚定在来源和同意之上，来实现不以牺牲隐私为代价的AI协作未来。

随着时间的推移，这些种子可能会形成新的数据经济基础，让记忆本身也变得可以交易，即：模型可以通过可信的来源许可或引用种子，为经过验证的上下文、而不是原始的数据付费。这是一种基于理解而非提取的经济。