大模型的记忆死结：为什么AI记得住人类全部知识，却永远记不住“昨天”？
TREE NEWS 报道， 大型语言模型能够容纳人类全部知识，却难以记住昨天发生的事。这一根本矛盾正成为人工智能领域亟待解决的难题：当系统无法随身携带全部过去时，如何跨越时间进行连贯的决策？
问题由来已久。2015年，学者Matthew Hausknecht与Peter Stone在关于Atari游戏智能体的论文中指出，单帧Pong游戏画面只能揭示球拍和球的位置，无法揭示球的速度。不知道球的移动方向，智能体就无法决定球拍的最佳位置。观测值不等于系统状态——而两者之间的鸿沟正是记忆需要介入的地方。
DeepMind的DQN智能体从原始像素学习玩数十款Atari游戏，也面临同样困境。研究者承认，许多仿真器状态存在“感知混淆”：两种不同情境可能产生完全相同的屏幕画面。补救方法简单直接：将最近四帧画面叠放作为输入。运动变为位置变化，可以直接看见，但记忆窗口是固定的。四帧之外的信息被彻底抹去。
上下文的硬边界
四帧的折中揭示了一个更深层的真相：无论窗口是四帧还是四百万个token，任何固定上下文都构成硬边界。边界之外的信息被物理抹去。对于当今的LLM，上下文窗口——现已扩展至数百万token——仍然是一个滑动窗口。它捕捉过去的摘要，但包含哪些内容取决于模型下一步需要预测什么。被摘要遗漏的细节永远无法影响未来决策。
这对自主智能体的影响深远。在动态环境——交易大厅、机器人、客户交互——中，智能体必须将历史压缩成既紧凑又具有预测性的状态。这不仅是工程挑战，更是记忆与计算之间的根本权衡。随着智能体从静态知识检索转向持续交互，将过去提炼为有用状态的能力将决定其成败。
未来展望
研究者正在探索解决方案：循环架构、外部记忆库、检索增强生成。然而每种方法都面临同样的约束——有限资源。目标不是记住一切，而是记住重要的事。在加密领域，AI智能体越来越多地用于链上分析和交易，这一局限尤为突出。一个无法回忆过去一小时市场状况的智能体，就像看不见球方向的Pong玩家。弥合观测与状态之间的鸿沟，仍是构建真正持久自主智能的关键。
