AGI og fremtidens AI
KI i 2027: Minne blir den neste prøven på maskinintelligens

Viktige punkterHukommelsestester vil vurdere korreksjon og avholdenhet fremfor enkel gjenkalling av…
Vis mer
- Hukommelsestester vil vurdere korreksjon og avholdenhet fremfor enkel gjenkalling av fakta.
- Utvalgt strukturert hukommelse bør gi bedre resultater enn udifferensiert full historikk i kontrollerte sammenligninger.
- Assistentprodukter vil vise opprinnelsen og omfanget av det de beholder for brukere.
En assistent husker at Maya eier prosjektet. Så gir Maya det videre til noen andre. Dagen etter gir assistenten henne selvsikkert en ny oppgave. Den har beholdt en opplysning, men mistet oversikten over verden. Denne lille feilen illustrerer et langt større problem for maskinintelligens.
Minne er bare nyttig når et system kan avgjøre hva som fortsatt gjelder, hva det bør hente fram, og hva som bør revideres eller glemmes. I 2027 vil slike avgjørelser bli en tydeligere prøve på systemets evner enn hvor mye historikk en modell kan lagre.
Minne finnes allerede i flere former. MemGPT utforsket hierarkisk håndtering av kontekst. Titans introduserte en nevral minnemodul som oppdateres under testing. Googles kontroller for personlig tilpasning i Gemini og Microsofts kontroller for Copilot-minne beskriver varig lagring og valgmuligheter knyttet til den for brukerne. Disse mekanismene bør ikke slås sammen til én enkelt evne: å hente fram en lagret oppføring, opprettholde kontekst og oppdatere innlærte parametere gir ulike muligheter og feilmodi.
Prognosene nedenfor handler om observerbare framskritt innenfor disse mekanismene. De knytter ikke en dato for når AGI vil oppstå, til en minneskår, og utleder heller ikke bevissthet av et systems evne til å beholde informasjon.
1. Minnetester vil gå lenger enn å gjengi fakta
Det er lett å glede seg over at systemet husker gårsdagens svar, helt til svaret viser seg å være feil. Nye minneevalueringer i 2027 vil teste korrigering, passende avståelse fra å svare og bruk av tidligere erfaring i én og samme test. Systemet må gjøre mer enn å hente fram en setning som ligner på spørsmålet. Det må forstå når fortiden er relevant – og når det vil gjøre svaret her og nå dårligere å støtte seg på den.
Tidslig resonnering er mer krevende enn å finne den rette formuleringen. En kunde kan ha fått refundert pengene, en policy kan ha utløpt, eller et unntak kan ha gjeldt bare én sak. Assistenten må rekonstruere hvilken tilstand som er relevant nå. Det krever evalueringer med motstridende oppdateringer, tydelige tidsgrenser og spørsmål som ikke kan besvares ut fra opplysningene som er tilgjengelige.
LongMemEval evaluerer allerede evner som tidslig resonnering, oppdatering av kunnskap og evnen til å avstå fra å svare. Det er derfor misvisende å beskrive all tidligere evaluering av minne som enkel gjenkalling. LongMemEval-V2, som ble introdusert i 2026, retter i større grad oppmerksomheten mot erfaring som er knyttet til bestemte miljøer: arbeidsflyter, endringer i tilstand og tilbakevendende operative detaljer. De 451 utvalgte spørsmålene viser forskjellen på å huske en samtale og å bli nyttig i et bestemt arbeidsmiljø.
LoCoMo er et annet viktig referansepunkt. Testen bruker lange samtaler som kontrolleres og redigeres av mennesker. Utformingen belyser også et metodisk problem: Genererte samtalehistorikker kan ha en ryddigere struktur enn de motstridende og ufullstendige opplysningene fra vanlig arbeid. At et system består en referansetest basert på slike historikker, er ikke bevis på at det har pålitelig minne i alle bruksområder.
Jeg forventer at sterkere evalueringer vil kombinere disse kravene. En agent bør huske at en arbeidsflyt mislyktes, forstå hvorfor denne erfaringen er relevant for en senere oppgave, og unngå å bruke lærdommen når forutsetningene ikke lenger gjelder. Det krever at man tester sammenhengen mellom informasjonen som er bevart, og en senere beslutning, i stedet for å belønne gjengivelsen av en formulering et eller annet sted i historikken.
Dette bør du følge med på i 2027
Se etter minneevalueringer som tester hva en agent gjør når en opplysning endres, når informasjonen som er tilgjengelig, er ufullstendig, eller når en tidligere lærdom blir relevant for en ny oppgave. Offentlige testoppgaver og skåringsmetoder vil gjøre det enklere å vurdere framskritt. Høyere skårer for gjenfinning alene vil gi begrenset grunnlag for å konkludere med at systemet opprettholder pålitelig kontinuitet mellom økter.
Hva dette betyr for bedrifter
Team som evaluerer assistenter med vedvarende minne, bør lage tester basert på endringene som skjer i deres eget arbeid: reviderte retningslinjer, nye ansvarlige, utløpte preferanser og ufullstendige opplysninger. Undersøk om agenten endrer atferd og erkjenner usikkerhet. Slike tilfeller kan avdekke operative svakheter som ellers ville forblitt skjult dersom man bare demonstrerte at systemet husker navn eller preferanser.
2. Utvalgt minne vil slå en udifferensiert historikk i kontrollerte tester
Mer historikk kan gi flere anledninger til forvirring. En utdatert instruks, en gjentatt anekdote og en nyttig observasjon kan alle konkurrere om oppmerksomheten i en lang kontekst. I kontrollerte evalueringer i 2027 forventer jeg at utvalgt, strukturert minne vil gjøre det betydelig bedre enn en udifferensiert fullstendig historikk. Det blir særlig interessant å holde den underliggende modellen og informasjonen som er tilgjengelig, uendret: Forbedringen vil da skyldes at erfaringene organiseres, ikke at man bruker en kraftigere modell.
Tanken er at et nyttig minne velger ut og organiserer informasjon. Det kan skille mellom en opplysning som fortsatt gjelder, og en som ikke lenger er aktuell, bevare grunnlaget for en beslutning eller hente fram en lærdom fra en arbeidsflyt når den trengs. Hele utskriften gjør alle detaljer tilgjengelige, men overlater samtidig til modellen å rekonstruere den relevante tilstanden for hvert nye spørsmål.
Denne intuisjonen er ingen garanti. En oppsummeringsmodell kan slette den eneste detaljen som trengs senere. Et gjenfinningssystem kan unnlate å hente fram en relevant hendelse. En indekseringsprosess kan behandle modellens egen formodning som et bekreftet faktum. Full kontekst kan være et bedre utgangspunkt når svaret avhenger av en nyanse som minnekomponenten har forkastet.
Mulighetsrommet for utforming kommer allerede til syne i artikkelen om LongMemEval, som undersøker valg knyttet til indeksering, gjenfinning og lesing. MemGPTs hierarki er en tidligere tilnærming på systemnivå for å håndtere hva som får plass i den aktive konteksten. Dette er forskningsbidrag om evaluerte utforminger. At de finnes, dokumenterer ikke fordelen på 10 poeng eller den uavhengige replikasjonen som prognosen min forutsetter.
De mest avslørende tilfellene vil dreie seg om oppdateringer og tidsmessige begrensninger. Hvis en kunde har endret adresse to ganger, kan et korrekt svar kreve den nyeste godkjente verdien og en oversikt over når den ble gyldig. En nøye vedlikeholdt tilstandsrepresentasjon kan synliggjøre dette skillet. En flat historikk kan fortsatt inneholde alle fakta, samtidig som den gir modellen flere muligheter til å velge feil opplysning.
Dette bør du følge med på i 2027
Følg med på sammenligninger der strukturert minne og kontekst med hele historikken får tilgang til den samme informasjonen gjennom den samme grunnmodellen. De sterkeste resultatene vil bruke spørsmål modellen ikke har sett før, og vise kostnadene ved å skrive minner i tillegg til svarenes nøyaktighet. Resultater som avhenger av at sammenligningshistorikken forkortes, eller at bevismateriale velges med forhåndskunnskap om svaret, vil være mindre overbevisende.
Hva dette betyr for virksomheter
Vurder utformingen av minneløsningen som en del av applikasjonsarkitekturen. Sammenlign gjenfinning, oppsummeringer, strukturert tilstand og lengre kontekst på representative oppgaver, inkludert rettelser og motstridende opplysninger. Ta høyde for kostnadene ved å vedlikeholde minnet og rette feil. En større kontekstgrense kan være til hjelp, men teamet trenger fortsatt dokumentasjon på at systemet henter fram og bruker riktig informasjon.
3. Minneprodukter vil synliggjøre grunnlaget for det de lagrer
En assistent som husker noe om deg, bør kunne vise hvor opplysningen kommer fra og la deg rette den. Denne forventningen virker selvfølgelig helt til et minne er utledet fra flere samtaler og brukt i ulike sammenhenger. I 2027 vil store assistentprodukter gjøre noen av disse sammenhengene mer etterprøvbare. Det praktiske framskrittet vil være et minne som brukeren kan stille spørsmål ved, redigere eller fjerne, med en tydelig forståelse av hvor det kan bli brukt.
En minneoppføring er mer nyttig når brukeren kan spørre hvor den kommer fra, og hva som avhenger av den. En preferanse som er uttrykt i én samtale, har en annen status enn et faktum som er utledet fra flere dokumenter. En feilaktig slutning bør kunne rettes uten at brukeren må finne alle senere svar den kan ha påvirket.
Viktige kontroller finnes allerede. Microsofts personverndokumentasjon skiller mellom minneinnstillinger, samtalehistorikk og andre valg for personlig tilpasning. Googles kunngjøring om midlertidige chatter og personlig tilpasning beskriver valgmuligheter knyttet til bruk av tidligere samtaler. Googles kunngjøring i 2026 om import av chatter og minner viser også hvordan vedvarende kontekst blir en funksjon for å flytte data mellom tjenester. Prognosen gjelder et mer helhetlig kontrollgrensesnitt, ikke at en sletteknapp dukker opp.
Opphavet må beskrives presist nok til at det kan undersøkes. «Basert på historikken din» angir en datakategori, ikke dokumentasjonen bak en bestemt påstand. En lenke til kilden eller en datert oppføring kan gjøre det mulig for brukeren å skille en uttrykkelig instruks fra en tolkning. En beskrivelse av virkeområdet kan forklare om minnet gjelder framtidige chatter, et bestemt arbeidsområde eller handlinger som utføres gjennom tilkoblede verktøy.
Sletting krever like presis ordbruk. Å fjerne en oppføring fra et produkts aktive minnelager er ikke automatisk det samme som å slette den opprinnelige samtalen, fjerne sikkerhetskopier eller avlære informasjon fra modellvektene. Produktet bør forklare hva handlingen faktisk innebærer. Prognosen min forutsetter kontroller i produktet som kan observeres, og dokumentasjon av dem – ikke en påstand om perfekt sletting fra alle lagringslag.
Grunnen til å vente framgang er like mye praktisk som etisk. En assistent kan ikke bli en pålitelig samarbeidspartner over tid hvis brukeren ikke kan rette tilstanden den handler ut fra. Rettelser er en del av det å bruke systemet. Et polert grensesnitt som viser minner, men ikke forklarer hvor de kommer fra eller hvordan de brukes videre, vil bare dekke en del av behovet.
Dette bør du følge med på i 2027
Følg med på minnegrensesnitt som knytter en lagret oppføring til en kilde som kan undersøkes, gjør det mulig å rette eller slette oppføringen og forklarer hvor informasjonen kan bli brukt på nytt. Disse funksjonene bør fungere sammen for hver enkelt oppføring. En generell minneoppsummering eller en slettefunksjon for hele historikken vil etterlate viktige spørsmål om opphav og virkeområde ubesvart.
Hva dette betyr for virksomheter
Før dere tar i bruk assistenter med vedvarende minne, bør dere avklare hvordan ansatte kan undersøke og korrigere det systemet lagrer. Be leverandørene skille mellom aktivt minne, opprinnelige samtaler og andre lagrede opplysninger, og forklare hva hver kontroll omfatter. Svarene vil hjelpe virksomheten med å plassere ansvaret for å holde konteksten korrekt etter hvert som personer, prosjekter og arbeidsrelasjoner endrer seg.
4. Kontinuerlig læring vil vise begrenset framgang når tidligere ferdigheter må bevares
Å lære noe nytt bør ikke føre til at noe nyttig forsvinner i det stille. Det er den vanskelige avveiningen ved vedvarende parameteroppdateringer og nevralt minne. Jeg forventer begrenset framgang i 2027 for store modeller: en tydelig økning i ny kunnskap, samtidig som ytelsen på etablerte evalueringer i hovedsak holder seg intakt. Et slikt resultat ville være interessant nettopp fordi det ivaretar begrensningen. Hvis man fjernet de gamle testene, ville det bli enklere å hevde at modellen er blitt bedre, men påstanden ville bety langt mindre.
Dette er en mer avgrenset påstand enn at et system lærer alle oppgaver for alltid. Når en modell oppdateres med nye erfaringer, kan det gå ut over ferdigheter den allerede har. Et overbevisende resultat må måle både tilegnelse og bevaring gjennom gjentatte oppdateringer, og synliggjøre hvor mye beregningskraft som kreves for å gjennomføre dem.
Artikkelen om Titans undersøker nevralt langtidsminne og memorering under testing. MIRAS beskriver en familie sekvensmodeller ut fra valg knyttet til assosiativt minne, læringsmål, bevaring og optimalisering. Googles forklaring av forskningen gjør det tydelig at arbeidet handler om bestemte arkitekturer og minnemekanismer. Det bør ikke framstilles som bevis på at alle språkmodeller som tas i bruk, kontinuerlig endrer den grunnleggende kunnskapen sin.
Den nyere kunngjøringen om søvnrammeverket, publisert 27. oktober 2026, beskriver en veksling mellom aktiv bearbeiding og konsolidering utenfor den aktive prosessen i forhåndsallokerte minnekomponenter. Den presenterer en forskningsmetode for å tilegne seg informasjon samtidig som man begrenser glemsel. Navnet er en beregningsmessig analogi; rammeverket bygger på en fast arkitektur og spesifiserte oppdateringsregler.
Disse retningene gjør prognosen sannsynlig, men dokumentasjonen er fortsatt tidlig og sterkt avhengig av forsøksdesignet. Et system kan se ut til å lære fordi evalueringsspørsmålene ligner på eksemplene det ble oppdatert med. Det kan opprettholde en gjennomsnittsskår samtidig som det mister en liten, men viktig ferdighet. Det kan også bruke så mye ekstra beregningskraft på å konsolidere erfaringer at gevinsten blir lite attraktiv ved faktisk bruk. Uavhengige replikasjoner og separat rapportering av ytelsen på gammelt og nytt materiale er avgjørende.
Dette bør du følge med på i 2027
Følg med på forsøk som kan reproduseres uavhengig, og som rapporterer ny læring og ferdigheter som bevares, separat og gjennom gjentatte oppdateringer. Kostnader til beregningskraft, kontroller for datalekkasje og ytelse på eldre oppgaver vil være avgjørende kontekst. Forbedringer på nylig innlært materiale, kombinert med tap andre steder, vil vise at avveiningen mellom tilegnelse og bevaring fortsatt er betydelig, selv om læringsskåren som får mest oppmerksomhet, øker.
Hva dette betyr for virksomheter
Forsknings- og utviklingsteam og modellleverandører bør skille mellom en lovende læringsmekanisme og en oppdateringsprosess som er klar til bruk. Alle pilotprosjekter trenger regresjonstester, kontrollerte oppdateringsdata, versjonssporing og en måte å gjenopprette en tidligere tilstand på. Produktplaner bør bygge på dokumentert tilegnelse, bevaring og driftskostnader, ikke på en antakelse om at kontinuerlig tilpasning vil fungere pålitelig for alle kundeoppgaver.
Det nyttige målet er kontinuitet i møte med endring
Et nyttig minnesystem må være selektivt nok til å unngå å drukne i erfaringer og fleksibelt nok til å fungere i en verden i endring. Feilene vil ofte virke hverdagslige: en gammel preferanse, feil ansvarlig eller et husket unntak som anvendes for vidt. Slike feil er avslørende. De viser om en assistent kan omsette en historikk av samhandlinger til godt skjønn i møte med den neste.












