Backboard устанавливает новый глобальный стандарт в области памяти ИИ — шаг к真正ому агентному ИИ

Backboard перешагнул важный порог для систем искусственного интеллекта, продемонстрировав, что память может быть рассмотрена как основная инфраструктура, а не хрупкий дополнение. Компания объявила, что теперь она лидирует в обоих основных бенчмарках памяти ИИ, LoCoMo и LongMemEval, став первой платформой, которая сделала это под постоянными академическими и независимыми методами оценки.

В независимой оценке, проведенной NewMathData, Backboard достиг 93,4 процента точности на LongMemEval, который является самым высоким зарегистрированным результатом на сегодняшний день при выполнении в соответствии с исходной спецификацией бенчмарка. Этот результат основан на его предыдущем опубликованном результате 90,1 процента на LoCoMo, что ставит Backboard в число очень небольшой группы систем, способных поддерживать как краткосрочную точность, так и долгосрочную контекстную непрерывность.

Примечательно, что рецензенты выявили несколько случаев, когда ответы Backboard были отмечены как неправильные, несмотря на то, что они были более контекстно точными, чем ожидаемые ответы бенчмарка. В этих случаях система включала фактическую информацию, уже присутствующую в взаимодействии, а не придерживалась более узкого толкования запроса. В результате зарегистрированный результат представляет собой консервативную базовую линию, а не верхний предел производительности.

Почему память стала ограничивающим фактором в ИИ

Большинство современных систем ИИ все еще ведут себя так, как будто у них нет реального прошлого. Хотя большие языковые модели отлично справляются с генерацией связных ответов, они склонны забывать контекст после окончания сеанса или заполнения окна запроса. Это ограничение заставляет разработчиков постоянно перестраивать состояние через методы извлечения, инжиниринг запросов или хрупкие цепочки инструментов, которые часто ломаются, когда системы становятся более сложными.

Память не только о воспоминании. В практических развертываниях память определяет, может ли система ИИ оставаться связной во времени, координировать задачи и строить доверие с пользователями. Без прочной памяти системы перезагружаются, галлюцинируют или противоречат себе. Когда ИИ переходит от одноразовых взаимодействий к долгосрочным рабочим процессам, память стала основным узким местом.

Backboard подходит к этой проблеме, рассматривая память как инфраструктуру первого класса. Вместо того, чтобы прикреплять память к слою приложения, она интегрирует постоянство, встраивание, извлечение и оркестрацию в единую платформу, доступную через единый API.

Системный подход, а не настройка бенчмарка

Backboard не спроектировал свою архитектуру для преследования результатов бенчмарка. Оценки либо были инициированы независимо, либо использовались внутри для понимания того, как система сравнивается с академическими исследованиями. Результативность отражает системное поведение в реалистичных условиях, а не оптимизацию для конкретных задач.

Этот различие важно, поскольку большинство бенчмарков измеряют поведение модели в изоляции, в то время как реальные системы ИИ состоят из многих движущихся частей. Результаты Backboard свидетельствуют о том, что производительность памяти не является исключительно функцией размера модели или вычислительной мощности, а зависит от того, как память структурируется, обновляется и делится во времени.

Платформа объединяет постоянную долгосрочную память, родные встраивания и векторизацию, встроенное генерирование с поддержкой извлечения, общую память между агентами и доступ к более чем 17 000 большим языковым моделям, включая поддержку привлечения собственных ключей. Объединив эти элементы, Backboard удаляет необходимость для предприятий собирать вместе открытые компоненты, которые часто ломаются под производственными ограничениями.

Сделать агентный ИИ практичным

Интерес к агентному ИИ продолжает расти, но большинство реализаций борются с выходом за рамки демонстраций. Причина проста. Агенты без общей, постоянной памяти не могут эффективно координировать. Они фрагментируются, теряют контекст и ведут себя непредсказуемо, когда взаимодействия протягиваются во времени.

Backboard позволяет постоянную, общую память между агентами, даже когда эти агенты полагаются на разные основные модели. Когда память надежна, агентное поведение возникает естественно, а не является сценарным. Системы могут помнить предыдущие решения, поддерживать непрерывность между сеансами и координировать действия без постоянного повторения запросов.

Базовая рамка памяти платформы предназначена для сохранения временной связности, а не для восстановления состояния через статические графы или повторное извлечение. Это позволяет системам ИИ оставаться последовательными и аудиторными, когда они растут в сложности.

Построено для систем, которые не могут позволить себе забыть

Архитектура Backboard основана на опыте ее основателя и генерального директора, Роба Имбо, который ранее помог построить Assent от ранней стадии стартапа до глобальной корпоративной платформы, оцененной более чем в 1,4 миллиарда долларов. В Assent системы, над которыми работал Имбо, были глубоко встроены в операции клиентов, поддерживая соблюдение нормативных требований и сложные рабочие процессы цепочки поставок, где непрерывность, правильность и доверие были непреклонными.

Этот опыт сформировал четкое убеждение. Самая ценная инфраструктура редко является эффектной. Это инфраструктура, которая работает тихо, последовательно и в течение длительного времени. В таких средах системы не могут перезагружаться, когда контекст теряется. Если состояние исчезает или доверие подрывается, система терпит операционную неудачу, а не только техническую.

Имбо увидел структурное несоответствие, возникающее в современном ИИ. Хотя большие языковые модели быстро продвигались вперед, они оставались фундаментально безсостоятельными. Контекст исчезал между сеансами, заставляя разработчиков восстанавливать память через хрупкие цепочки запросов и ад-хок слои извлечения. Эти подходы могут работать в демонстрациях, но они ломаются, когда системы ИИ ожидается, что они будут работать непрерывно, координировать между агентами и эволюционировать во времени.

Backboard был построен для закрытия этого разрыва. Память рассматривается как прочная инфраструктура, а не как логика приложения, позволяя системам ИИ сохранять состояние между взаимодействиями, моделями и агентами. Сосредоточение внимания на постоянстве, правильности и долгосрочной надежности отражает убеждение, сформированное задолго до существования Backboard: в производственных средах неудачи памяти не являются незначительными дефектами, а системными рисками.

Эта перспектива лежит в основе философии дизайна Backboard. Цель не состоит в том, чтобы продемонстрировать интеллект в изолированных моментах, а в том, чтобы позволить системам ИИ, которые ведут себя как надежное программное обеспечение, даже когда сложность растет и временные горизонты расширяются.

Что это значит для будущего ИИ

Более широкое значение результатов Backboard заключается в том, что следующая фаза прогресса ИИ не будет определяться исключительно более крупными моделями или более длинными контекстными окнами. Она будет определяться системами, которые могут помнить, рассуждать и эволюционировать во времени.

Когда предприятия развертывают ИИ в поддержке клиентов, операциях, исследованиях и соблюдении нормативных требований, постоянная память становится основой для доверия и масштабируемости. Платформы, которые решают проблему памяти на уровне инфраструктуры, определят, как агентный ИИ переходит от экспериментов к повседневному использованию.

С архитектурой памяти, теперь подтвержденной как в академических, так и в независимых бенчмарках, Backboard теперь направляет свое внимание на то, чтобы помочь командам лучше понять и оценить поведение систем ИИ в реальных ограничениях. Предстоящая функция Switchboard компании направлена на то, чтобы сделать сложные конфигурации ИИ более прозрачными и предсказуемыми.

Будущее ИИ будет формироваться не столько умными трюками с запросами, сколько системами, которые могут быть доверены во времени. Память является основой этого сдвига, и последние результаты Backboard свидетельствуют о том, что эта основа наконец начинает принимать форму.