东华大学吸收非整日制MBAMEM
文 | 字母 AI小时间有个魔性广告，，，，，，，叫 " 今年过节不收礼，，，，，，，收礼只收脑白金 "。。 。。。。。。于是履历过谁人年月的人，，，，，，，通常把 " 补脑 " 和 " 脑白金 " 绑定在了一起。。 。。。。。。至于这玩意儿究竟有没有用？？？？？？？这我欠好说。。 。。。。。。20 多年已往了，，，，，，，AI 时代到来，，，，，，，我突然发明，，，，，，，现在的 AI 也最先吃 " 脑白金 " 了。。 。。。。。。你有没有类似的履历。。 。。。。。。好比说跟某个 AI 聊到第 30 轮，，，，，，，它突然 " 失忆 " 了。。 。。。。。。你前面刚说过的需求，，，，，，，它转头就忘得一干二净。。 。。。。。。你用 Claude 写了一下昼代码，，，，，，，第二天重新翻开，，，，，，，它对昨天的使命毫无印象，，，，，，，你问它某个代码，，，，，，，它只能重新过一遍代码库再回覆你。。 。。。。。。整个 AI 行业，，，，，，，苦这个系统性 " 晚年痴呆症 " 久矣。。 。。。。。。于是，，，，，，，一个新兴工业降生了。。 。。。。。。从外挂层、系统层、模子层给 AI 喂 " 赛博脑白金 "。。 。。。。。。好比在 GitHub 上已经有 5 万多颗星的 Claude-Mem，，，，，，，尚有 DeepSeek DSA、阿里的 Qwen3-Next 这样的底层架构优化，，，，，，，整个工业都在猖獗给 AI 增添影象力。。 。。。。。。AI 再智慧，，，，，，，记不住事儿也白搭。。 。。。。。。那么 2026 年，，，，，，，究竟都有哪些 " 赛博脑白金 " 在给 AI 补脑，，，，，，，它们各自的配方又是什么？？？？？？？01 ?赛博脑白金产品图鉴压缩式影象治理是第一种思绪，，，，，，，焦点逻辑是把长篇大论酿成 " 小作文 "。。 。。。。。。虽然和咱们贴吧论坛看到的那些小作文一定纷歧样了，，，，，，，这种 " 小作文 " 是给大模子看的，，，，，，，只有上下文中的要害信息。。 。。。。。。这类产品不是扩大 AI 的影象容量，，，，，，，而是让同样的空间装下更多工具。。 。。。。。。就像你整理行李箱一样，，，，，，，你把衣服揉成团，，，，，，，你可能只塞得下几件衣服，，，，，，，但你要是叠好了再放进去，，，，，，，就能塞许多衣服。。 。。。。。。Claude-Mem 是这个领域最火的产品。。 。。。。。。这个项目在 2025 年底宣布，，，，，，，到现在 GitHub 上已经有 5 万多颗星了。。 。。。。。。它专门为 Claude Code 设计，，，，，，，解决的就是影象太短的问题。。 。。。。。。Claude-Mem 的做法很巧妙，，，，，，，它通过 5 个生命周期钩子自动捕获你和 AI 的所有对话，，，，，，，然后用 AI 自己来压缩这些信息。。 。。。。。。�；；；；；峄白钕仁奔釉厍崃考端饕�，，，，，，，需要时再睁开详细内容，，，，，，，模拟人类影象的事情方法。。 。。。。。。这种 " 渐进式披露 " 的设计很智慧。。 。。。。。。你不需要一次性把所有历史对话都塞进上下文窗口，，，，，，，而是先看个目录，，，，，，，需要哪部分再调出来。。 。。。。。。它这个做法就像我写文章讲故事，，，，，，，你不可一上来就把事情都说了，，，，，，，你得先说个时间线，，，，，，，几多几多年间，，，，，，，然后再说谁人时间段爆发的事。。 。。。。。。类似的手艺尚有 LongLLMLingua 和 Acon。。 。。。。。。LongLLMLingua 通过提醒词压缩实现高达 20 倍的压缩率，，，，，，，特殊适合那些只能通过 API 挪用、看不到内部结构的黑盒模子。。 。。。。。。Acon 则更进一步，，，，，，，它在自然语言空间里做压缩优化，，，，，，，在 AppWorld 等基准测试中把内存使用降低了 26% 到 54%，，，，，，，同时基本不影响使命体现。。 。。。。。。这些工具实质上都在做统一件事，，，，，，，用更少的 token 说更多的话。。 。。。。。。但压缩终究有极限，，，，，，，你再怎么压缩，，，，，，，到最后至少得保存基本信息。。 。。。。。。这时间就需要第二种思绪，，，，，，，外挂式影象系统。。 。。。。。。若是说压缩是 " 节约 "，，，，，，，外挂心忆就是 " 开源 "。。 。。。。。。这类系统不再试图把所有工具塞进 AI 的上下文窗口，，，，，，，而是在模子外部建设一个自力的影象客栈。。 。。。。。。需要的时间，，，，，，，AI 可以自动去这个客栈里翻找相关信息。。 。。。。。。Mem0 是这个偏向的代表作品。。 。。。。。。它接纳动态提取、整合和检索的架构，，，，，，，把对话中的要害信息存储到外部数据库。。 。。。。。。需要时通过语义相似度检索相关影象。。 。。。。。。实验数据显示，，，，，，，Mem0 在 LOCOMO 基准测试中比 OpenAI 的影象系统提升了 26%，，，，，，，同时响应时间降低 91%, token 使用量镌汰 90% 以上。。 。。。。。。LOCOMO 是现在较有代表性的恒久对话影象基准之一。。 。。。。。。它包括单跳问题、时序问题、多跳问题和开放域问题四大类。。 。。。。。。单跳问题磨练 AI 能否记着单个事实，，，，，，，多跳问题则要求 AI 综合多次对话中疏散的信息。。 。。。。。。Mem0 在多跳问题上的 F1 分数抵达 28.64，，，，，，，J 分数 51.15，，，，，，，显着凌驾其他计划。。 。。。。。。这说明它不但是能记着零星的事实，，，，，，，还能把这些事实串联起来。。 。。。。。。更有意思的是 MemGPT，，，，，，，不过它现在已经改叫 Letta 了。。 。。。。。。它的事情原理是把 LLM 视为操作系统，，，，，，，实现类似盘算机虚拟内存的分层治理。。 。。。。。。跟苹果 Mac 用的贮存手艺原理一样，，，，，，，当物理内存不敷用时，，，，，，，系统会把暂时不必的数据挪到硬盘上，，，，，，，需要时再调回来。。 。。。。。。MemGPT 把这套逻辑搬到了 AI 影象治理上。。 。。。。。。它通过显式的读写操作让模子自主治理内存，，，，，，，在事情影象、短期影象和恒久影象之间无邪调理。。 。。。。。。这个设计的精妙之处在于，，，，，，，它不是人为划定什么该记什么该忘，，，，，，，而是让 AI 自己决议。。 。。。。。。AI 可以挪用函数把目今不主要的信息写入外部存储，，，，，，，也可以在需要时把旧影象读回上下文窗口。。 。。。。。。这种自主治理能力让 AI 的影象系统跟我们是一样的。。 。。。。。。我们也不是把所有履历都时刻记在脑子里，，，，，，，而是需要时才起劲回忆。。 。。。。。。�；；；；Ｉ杏� Zep、Second Me、Cognee 等一系列产品，，，，，，，它们各有特色但殊途同归，，，，，，，都是在模子的牢靠上下文窗口之外构建可扩展的外部影象层。。 。。。。。。第三种思绪叫做软提醒编码。。 。。。。。。这种要领不存储文本，，，，，，，而是把提醒词编码成一连的可训练嵌入或键值对。。 。。。。。。像是 500xCompressor 这样的架构，，，，，，，能通过软提醒编码实现了高达 480 倍的压缩率。。 。。。。。。这个手艺的实质是给 AI 发明一套 " 旗号 "。。 。。。。。。就像 " 今晚老地方 " 这句话一样，，，，，，，这是只有你和你朋侪之间才懂的梗，，，，，，，一个眼神、一个词就能想到一块去。。 。。。。。。软提醒编码也是这样，，，，，，，用几个特殊 token 就能让模子追念起大段内容。。 。。。。。。这些特殊 token 在人类看来毫无意义，，，，，，，但对模子来说，，，，，，，它们是高度浓缩的信息载体。。 。。。。。。这种要领的压缩率远超前两种，，，，，，，但也有显着的局限。。 。。。。。。这些编码后的 " 旗号 " 只对训练过的特定模子有用，，，，，，，换个模子就不熟悉了。。 。。。。。。并且编码历程需要特另外训练本钱，，，，，，，不像前两种要领那样即插即用。。 。。。。。。以是软提醒编码更适合那些恒久使用统一个模子、对压缩率要求极高的场景。。 。。。。。。这三种外挂式的解决计划各有千秋。。 。。。。。。压缩式影象治理实现简朴，，，，，，，本钱低，，，，，，，但压缩率有上限。。 。。。。。。外挂式影象系统容量险些无限，，，，，，，但需要特另外数据库和检索机制。。 。。。。。。软提醒编码压缩率最高，，，，，，，但无邪性最差。。 。。。。。。现实应用中，，，，，，，许多产品会把这几种要领团结起来，，，，，，，在差别场景下选择最合适的战略。。 。。。。。。但这些终究是 " 打补丁 "。。 。。。。。。它们在模子外部做文章，，，，，，，没有触及问题的泉源。。 。。。。。。真正的突破，，，，，，，需要从模子架构自己下手。。 。。。。。。02 ?从架构层面动刀子前面说的那些计划，，，，，，，它们能缓解影象问题，，，，，，，却无法根治。。 。。。。。。由于问题的泉源在 Transformer 架构自己是有缺陷的，，，，，，，注重力机制的盘算重漂后是序列长度的平方。。 。。。。。。上下文窗口每扩大一倍，，，，，，，盘算本钱就翻四倍。。 。。。。。。这不是工程优化能解决的，，，，，，，需要从数学原理上重新设计。。 。。。。。。DeepSeek Sparse Attention（DSA）是这个偏向的代表性突破。。 。。。。。。DSA 在 2025 年随 DeepSeek-V3.2-Exp 一起宣布，，，，，，，焦点头脑是 " 不是所有 token 都需要相互看 "。。 。。。。。。古板的全量注重力机制里，，，，，，，每个 token 都要和序列中的所有其他 token 盘算注重力分数。。 。。。。。。这在短序列里没问题，，，，，，，但当上下文窗口扩展到几十万 token 时，，，，，，，盘算量就变得不可接受了。。 。。。。。。DSA 接纳两阶段设计：先用一个轻量级的 " 索引器 " 快速评估哪些 token 最相关，，，，，，，然后只对这些精选出来的 token 做完整的注重力盘算。。 。。。。。。焦点注重力盘算从对所有 token 做精算，，，，，，，酿成只对 top-k 候选做精算；；；；；；索引器仍要扫描候选历史，，，，，，，但用更轻量的低维 / 低精度方法降低本钱。。 。。。。。。要害在于，，，，，，，这种希罕化是动态的、基于内容的。。 。。。。。。不像有些要领只看牢靠窗口内的 token 或随机采样，，，，，，，DSA 会凭证现实内容决议哪些 token 主要。。 。。。。。。说白了，，，，，，，就是让 AI 先快速扫一遍所有内容，，，，，，，找出跟目今问题最相关的那些部分，，，，，，，然后只仔细看这些重点。。 。。。。。。就像你看书找资料一样，，，，，，，你不可能逐字逐句读，，，，，，，你会先翻目录和要害词，，，，，，，定位到相关章节再去仔细阅读。。 。。。。。。这让它在大幅降低盘算量的同时，，，，，，，险些不损失模子性能。。 。。。。。。在种种推理使命和智能体情形的测试中，，，，，，，DSA 的体现和全量注重力基本持平。。 。。。。。。另一个主要偏向是混淆注重力架构。。 。。。。。。这个思绪以为，，，，，，，不是所有层都需要腾贵的全量注重力。。 。。。。。。大部分层可以用更自制的线性注重力或状态空间模子，，，，，，，只在要害位置保存全量注重力。。 。。。。。。阿里的 Qwen3-Next 在 2025 年 9 月宣布，，，，，，，焦点是 Hybrid Attention 机制。。 。。。。。。它用 Gated DeltaNet 加 Gated Attention 替换古板全量注重力，，，，，，，原生支持 256K 上下文，，，，，，，理论上可扩展到 100 万 token。。 。。。。。。Gated DeltaNet 是一种线性注重力变体，，，，，，，盘算重漂后从平方降到线性。。 。。。。。。但纯粹的线性注重力在某些使命上体现不如全量注重力，，，，，，，以是 Qwen3-Next 接纳 3:1 的混淆比例。。 。。。。。。每 3 层用 Gated DeltaNet，，，，，，，1 层用 Gated Attention。。 。。。。。。这个设计很智慧。。 。。。。。。线性注重力层认真处置惩罚大部分的上下文信息，，，，，，，本钱低但能力稍弱。。 。。。。。。全量注重力层则在要害位置做细腻的全局建模，，，，，，，本钱高但效果好。。 。。。。。。两者配合，，，，，，，既包管了性能，，，，，，，又大幅降低了盘算开销。。 。。。。。。官方数据显示，，，，，，，Qwen3-Next-80B-A3B-Base 相比 Qwen3-32B-Base，，，，，，，在凌驾 32K 上下文时有 10 倍推理吞吐优势。。 。。。。。。月之暗面的 Kimi Linear，，，，，，，接纳 Kimi Delta Attention 加全局 MLA，，，，，，，也是 3:1 比例的混淆架构。。 。。。。。。Kimi Delta Attention 实质上是对 Gated DeltaNet 的刷新。。 。。。。。。在 100 万 token 场景下，，，，，，，KV cache 最多镌汰 75%，，，，，，，解码吞吐最高提升 6 倍。。 。。。。。。这些混淆架构的配合点是，，，，，，，他们都把长上下文处置惩罚从 " 每个 token 都相互看一遍 " 改成 " 大都层用更自制的影象状态，，，，，，，少数层保存全局注重力 "。。 。。。。。。�；；；；；桓鏊捣�，，，，，，，你开车得用导航吧？？？？？？？大部分时间你只需要看着前方蹊径和路标往前走，，，，，，，这是 " 自制的影象状态 "。。 。。。。。。但到了重亨衢口，，，，，，，有行人、有电摩托车、可能尚有适才爆发追尾的事故车，，，，，，，这时间你就得仰面看整个路况、回忆来时的路、判断该往哪拐，，，，，，，因此你需要 " 全局注重力 "。。 。。。。。。不是每一秒都要动用所有脑力，，，，，，，而是只在要害节点才全力思索。。 。。。。。。这不是简朴的性能妥协，，，，，，，这是在对注重力机制实质举行重新思索。。 。。。。。。AI 并不需要时刻记着所有细节，，，，，，，只需要在要害决议点做全局审阅。。 。。。。。。然而当下最盛行的玩法，，，，，，，还得是硬件与算法协同优化。。 。。。。。。再好的算法，，，，，，，若是硬件跟不上，，，，，，，也施展不出所有威力。。 。。。。。。英伟达在 GTC 2026 上宣布的 BlueField-4 CMX 平台就是这个偏向最具代表性的产品。。 。。。。。。这是一个专门为 " 百万级 token 上下文 " 时代设计的上下文影象存储平台。。 。。。。。。古板 GPU 的显存带宽虽然高，，，，，，，但容量有限。。 。。。。。。当上下文窗口扩展到几十万甚至上百万 token 时，，，，，，，KV cache 的巨细会凌驾单张 GPU 的显存容量。。 。。。。。。BlueField-4 CMX 通过专用的内存扩展硬件，，，，，，，在坚持高带宽的同时大幅扩展容量。。 。。。。。。它接纳分层存储架构，，，，，，，把热数据放在 GPU 显存，，，，，，，温数据放在扩展内存，，，，，，，冷数据放在系统内存或 SSD，，，，，，，通过智能调理实现大容量支持。。 。。。。。。好比说 GPU 显存是你的事情台，，，，，，，它空间有限。。 。。。。。。BlueField-4 CMX 就相当于在这个事情台旁边加了个置物架，，，，，，，常用的工具放台面，，，，，，，无意用的放第一层架子，，，，，，，不常用的放更远的柜子。。 。。。。。。需要时系统自动帮你把工具拿过来，，，，，，，你感受不到区别，，，，，，，但现实上能放的工具多了几十倍。。 。。。。。。像亚马逊的 Trainium 芯片，，，，，，，谷歌的 TPU，，，，，，，现在 AI 芯片的开发商，，，，，，，都会和大模子厂商配合研发下一代芯片，，，，，，，其缘故原由就在于能让芯片专业对口，，，，，，，知足模子的各项需求，，，，，，，进而抵达更好的训练以及推理效果。。 。。。。。。03 ?影象，，，，，，，AGI 最后一块拼图目今的 AI 影象系统缺乏人类影象的要害特征。。 。。。。。。人类影象有遗忘机制，，，，，，，不主要的细节会自然淡化。。 。。。。。。人类影象有牢靠历程，，，，，，，主要的履历会在