バックボードがAIメモリの新しい世界標準を樹立 — 本当のエージェントAIへの飛躍

バックボード は、人工知能システムの重要な門槛を突破し、メモリをコアインフラストラクチャとして扱うことを実証しました。同社は、LoCoMoとLongMemEvalの2つの主要なAIメモリベンチマークでトップとなり、両方のベンチマークで一貫した学術的および独立した評価方法でトップとなった最初のプラットフォームになりました。

NewMathDataによる独立評価では、バックボードはLongMemEvalで93.4パーセントの精度を達成し、ベンチマークの元の仕様に従って実行された場合の、現在の最高の公開スコアを達成しました。これは、LoCoMoで達成した90.1パーセントのスコアに基づいています。バックボードは、短時間の精度と長時間のコンテキストの連続性の両方を維持できる非常に少数のシステムの1つです。

レビュアーは、バックボードの回答が、ベンチマークの期待される回答よりもコンテキストに正確であったにもかかわらず、不正解としてマークされた複数のケースを特定しました。こうした場合、システムはプロンプトの狭い解釈に従うのではなく、既存のインタラクションに存在する事実情報を組み込んでいました。したがって、報告されたスコアは、パフォーマンスの上限ではなく、保守的なベースラインを表します。

メモリがAIの限界要因になった理由

ほとんどの現代のAIシステムは、実質的に過去がないように動作します。大規模な言語モデルは、流暢な回答を生成するのが優れていますが、セッションが終了したり、プロンプトウィンドウが満たされたりすると、コンテキストを忘れてしまいます。この限界により、開発者は、状態を繰り返し再構築するために、回復ハック、プロンプトエンジニアリング、または壊れやすいツールの連鎖に頼らざるを得なくなります。

メモリは、単に思い出すことだけではありません。実用的には、メモリは、AIシステムが時間の経過とともに一貫性を維持し、タスク間で調整し、ユーザーとの信頼を築く能力を決定します。耐久性のあるメモリがなければ、システムはリセットされ、妄想したり、矛盾したりします。AIが単一のターンによる相互作用から長時間のワークフローに移行するにつれて、メモリは主なボトルネックになりました。

バックボードは、メモリを第一級のインフラストラクチャとして扱うことで、この問題に取り組んでいます。アプリケーション層にメモリを追加するのではなく、永続性、埋め込み、回復、オーケストレーションを統一されたプラットフォームに統合し、単一のAPI経由でアクセス可能にしました。

ベンチマークチューニングではなく、システムレベルのアプローチ

バックボードは、ベンチマークスコアを追求するためにアーキテクチャを設計しませんでした。評価は、独立して開始されたか、またはシステムが学術研究と比較するために内部で使用されました。結果は、現実的な条件下でのシステムレベルの動作を反映しており、タスク固有の最適化ではありません。

この違いは重要です。ほとんどのベンチマークは、モデル動作を分離して測定しますが、実際のAIシステムは多くの要素で構成されています。バックボードの結果は、メモリパフォーマンスがモデルサイズや計算能力だけではなく、メモリが構造化、更新、共有される方法によって決まることを示しています。

プラットフォームは、永続的な長期メモリ、ネイティブ埋め込みとベクトル化、組み込みの回復増強生成、エージェント間の共有メモリ、および17,000以上の大規模言語モデルへのアクセスを提供します。BYOK(自分のキーを持ち込む)サポートも含まれています。これらの要素を統一することで、バックボードは、企業がオープンソースコンポーネントを組み合わせる必要性を排除し、生産性の制約下でしばしば失敗することを排除します。

エージェントAIを実用化する

エージェントAIへの関心は続いていますが、ほとんどの実装はデモを超えて進むことができません。理由は簡単です。共有、永続的なメモリを持たないエージェントは、効果的に調整することができません。彼らは断片化し、コンテキストを失い、時間の経過とともに予測不可能な行動をとります。

バックボードは、エージェント間で共有、永続的なメモリを可能にします。そうすることで、エージェントは異なる基本モデルに依存していても、自然にエージェントの動作が現れます。システムは、前の決定を覚えておくことができ、セッション間で連続性を維持し、常にプロンプトを繰り返すことなく、アクションを調整できます。

プラットフォームの基本的なメモリフレームワークは、静的なグラフまたは繰り返しの回復を介して状態を再構築するのではなく、時間的の一貫性を維持するように設計されています。これにより、AIシステムは複雑さが増すにつれても、一貫性と監査可能性を維持できます。

忘れることができないシステムのために構築された

バックボードのアーキテクチャは、創設者兼CEOのRob Imbeaultの経験に根ざしています。彼は、Assentを初期のスタートアップから、14億ドル以上の価値があるグローバルエンタープライズプラットフォームに成長させました。Assentでは、Imbeaultが取り組んだシステムは、顧客の運用の深いところに埋め込まれ、規制コンプライアンスと複雑なサプライチェーンワークフローをサポートしていました。ここでは、連続性、正確性、信頼性は交渉の余地がありません。

その経験は、明確な信念を生み出しました。最も価値のあるインフラストラクチャは、華やかなものではありません。むしろ、静かに、 Consistently、長期間にわたって機能するインフラストラクチャです。そうした環境では、システムはコンテキストが失われたときにリセットすることはできません。状態が消失したり、信頼が損なわれたりすると、システムは運用上、技術上に失敗します。

Imbeaultは、現代のAIに構造的な不一致が生じていることを認識しました。大量の言語モデルは急速に進化しましたが、基本的にステートレスのままです。セッション間でコンテキストが消失し、開発者は脆いプロンプトチェーンやアドホックな回復層を介してメモリを再構築することを強いられました。こうしたアプローチはデモでは機能するかもしれませんが、AIシステムが連続して実行され、エージェント間で調整され、時間の経過とともに進化することが期待される場合には、破綻します。

バックボードは、そのギャップを埋めるために構築されました。メモリは、アプリケーションロジックではなく、耐久性のあるインフラストラクチャとして扱われます。そうすることで、AIシステムは、インタラクション、モデル、エージェント間で状態を維持できるようになります。永続性、正確性、長期的信頼性への焦点は、バックボードが存在する以前に形成された信念を反映しており、生産環境ではメモリの故障は軽微な欠陥ではなく、システム的なリスクです。

この視点は、バックボードの設計哲学の根底にあります。目標は、孤立した瞬間の知性を示すことではなく、複雑さが増すにつれても、信頼できるソフトウェアのように動作するAIシステムを可能にすることです。

これがAIの未来に意味すること

バックボードの結果のより広い意味は、AIの次の進化段階は、より大きなモデルやより長いコンテキストウィンドウだけによって推進されるのではなく、時間の経過とともに記憶、推論、進化できるシステムによって推進されることです。

企業がAIを、カスタマーサポート、運用、研究、コンプライアンスに展開するにつれて、耐久性のあるメモリは、信頼とスケーラビリティの基盤となります。インフラストラクチャレベルのメモリを解決するプラットフォームは、エージェントAIが実験から日常的な使用への移行をどのように行うかを定義します。

バックボードは、学術的および独立したベンチマークの両方でメモリアーキテクチャを検証した後、AIシステムの動作を、現実的な制約下でよりよく理解し、評価するためのチームを支援することに注力しています。同社のSwitchboard機能は、複雑なAI構成をより透明性と予測可能性を持たせることを目指しています。

AIの未来は、巧妙なプロンプトのトリックによって形作られるのではなく、時間の経過とともに信頼できるシステムによって形作られることになります。メモリは、その転換の基盤です。バックボードの最新の結果は、ついにその基盤が形作られつつあることを示しています。