AGI và AI tương lai

AI năm 2027: Bộ nhớ sẽ trở thành phép thử tiếp theo đối với trí tuệ máy móc

Jonas Reeve
Thêm Unite.AI vào các nguồn ưu tiên của bạn trên Google
A layered translucent memory architecture containing distinct archived fragments, a focused bright retrieval path connecting an earlier layer to a present reasoning core, with one obsolete fragment gently dimmed and a revised fragment in focus.
Điểm chínhCác bài kiểm tra trí nhớ sẽ đánh giá việc sửa lỗi và việc kiềm chế trả lời thay vì chỉ…
Xem thêm
  • Các bài kiểm tra trí nhớ sẽ đánh giá việc sửa lỗi và việc kiềm chế trả lời thay vì chỉ đơn thuần nhớ lại các sự kiện.
  • Bộ nhớ có cấu trúc được chọn lọc sẽ vượt trội hơn toàn bộ lịch sử không được phân biệt trong các so sánh có kiểm soát.
  • Các sản phẩm trợ lý sẽ công bố nguồn gốc và phạm vi của những gì chúng lưu giữ cho người dùng.

Một trợ lý nhớ rằng Maya là người phụ trách dự án. Sau đó, Maya bàn giao dự án cho người khác. Ngày hôm sau, trợ lý tự tin giao cho cô một nhiệm vụ khác. Nó đã ghi nhớ một sự thật nhưng lại không nắm được tình hình thực tế. Sai sót nhỏ ấy cho thấy một vấn đề lớn hơn nhiều đối với trí tuệ máy móc.

Bộ nhớ chỉ hữu ích khi hệ thống có thể xác định điều gì vẫn còn đúng, thông tin nào cần được truy xuất và điều gì nên được sửa đổi hoặc quên đi. Năm 2027, những quyết định này sẽ trở thành thước đo năng lực sắc bén hơn dung lượng lịch sử mà một mô hình có thể lưu giữ.

Bộ nhớ hiện diện dưới nhiều hình thức. MemGPT nghiên cứu cách quản lý ngữ cảnh theo thứ bậc. Titans giới thiệu một mô-đun bộ nhớ nơ-ron được cập nhật trong quá trình kiểm thử. Các tùy chọn cá nhân hóa Gemini của Google và tùy chọn quản lý bộ nhớ Copilot của Microsoft mô tả khả năng lưu giữ thông tin hướng đến người dùng cùng các lựa chọn liên quan. Không nên gộp những cơ chế này thành một năng lực duy nhất: truy xuất hồ sơ đã lưu, duy trì ngữ cảnh và cập nhật các tham số đã học tạo ra những cơ hội cũng như kiểu lỗi khác nhau.

Những dự đoán dưới đây xoay quanh tiến bộ có thể quan sát được trong các cơ chế đó. Chúng không gắn ngày AGI xuất hiện với điểm số về bộ nhớ, cũng không suy luận rằng hệ thống có ý thức chỉ vì nó có thể lưu giữ thông tin.

1. Các bài kiểm tra bộ nhớ sẽ vượt xa hơn nữa việc nhớ lại sự kiện

Thật dễ tán dương việc nhớ được câu trả lời hôm qua, cho đến khi câu trả lời ấy trở nên sai. Các đánh giá bộ nhớ mới trong năm 2027 sẽ đưa việc sửa lỗi, chủ động không trả lời khi cần thiết và vận dụng kinh nghiệm trước đây vào cùng một bài kiểm tra. Hệ thống sẽ cần làm được nhiều hơn là truy xuất một câu có vẻ giống với câu hỏi. Nó cần nhận ra khi nào quá khứ có liên quan — và khi nào dựa vào quá khứ sẽ khiến câu trả lời hiện tại kém chính xác hơn.

Suy luận theo thời gian đòi hỏi nhiều hơn việc tìm đúng cụm từ. Khách hàng có thể đã được hoàn tiền, một chính sách có thể đã hết hiệu lực, hoặc một ngoại lệ có thể chỉ áp dụng cho một trường hợp. Trợ lý phải xác định lại trạng thái nào quan trọng ở thời điểm hiện tại. Điều đó đòi hỏi các bài đánh giá có những cập nhật mâu thuẫn, ranh giới thời gian rõ ràng và các câu hỏi mà hồ sơ hiện có không thể trả lời.

LongMemEval đã đánh giá các năng lực như suy luận theo thời gian, cập nhật kiến thức và chủ động không trả lời. Vì vậy, mô tả toàn bộ các đánh giá bộ nhớ trước đây là những bài kiểm tra nhớ lại đơn thuần là không chính xác. LongMemEval-V2, được giới thiệu vào năm 2026, mở rộng nội dung đánh giá sang kinh nghiệm đặc thù theo môi trường: quy trình làm việc, trạng thái thay đổi và các chi tiết vận hành lặp lại. 451 câu hỏi được tuyển chọn trong bộ đánh giá này cho thấy sự khác biệt giữa việc nhớ một cuộc trò chuyện và trở nên hữu ích trong một môi trường làm việc cụ thể.

LoCoMo là một mốc tham chiếu quan trọng khác, sử dụng các cuộc hội thoại dài đã được con người xác minh và biên tập. Cách xây dựng bộ đánh giá này cũng làm nổi bật một vấn đề về phương pháp: lịch sử hội thoại được tạo ra có thể áp đặt một cấu trúc mạch lạc hơn so với những hồ sơ mâu thuẫn, không đầy đủ trong công việc thường ngày. Vượt qua một chuẩn đánh giá được xây dựng từ những lịch sử hội thoại đó không chứng minh rằng bộ nhớ sẽ đáng tin cậy trong mọi môi trường triển khai.

Tôi dự đoán các yêu cầu này sẽ ngày càng được kết hợp chặt chẽ hơn. Một tác nhân nên nhớ rằng một quy trình làm việc đã thất bại, nhận ra vì sao kinh nghiệm đó có ý nghĩa đối với một nhiệm vụ sau này và tránh áp dụng bài học ấy khi các điều kiện liên quan không còn đúng. Điều đó đòi hỏi phải kiểm tra mối liên hệ giữa thông tin được lưu giữ và quyết định đưa ra sau đó, thay vì thưởng cho việc lặp lại một cụm từ xuất hiện đâu đó trong hồ sơ.

Điều cần theo dõi trong năm 2027

Hãy chú ý đến các bài đánh giá bộ nhớ kiểm tra cách tác nhân xử lý khi một sự kiện thay đổi, khi hồ sơ hiện có không đầy đủ hoặc khi một bài học trước đây trở nên hữu ích cho nhiệm vụ mới. Các bài kiểm tra công khai và phương pháp chấm điểm sẽ giúp đánh giá tiến bộ dễ dàng hơn. Chỉ riêng điểm số nhớ lại cao hơn sẽ không cho thấy nhiều bằng chứng về khả năng duy trì tính liên tục đáng tin cậy giữa các phiên làm việc.

Điều này có ý nghĩa gì đối với doanh nghiệp

Các nhóm đánh giá trợ lý có khả năng ghi nhớ lâu dài nên xây dựng bài kiểm tra dựa trên những thay đổi diễn ra trong chính công việc của mình: chính sách được sửa đổi, người phụ trách được phân công lại, tùy chọn hết hiệu lực và hồ sơ không đầy đủ. Hãy kiểm tra xem tác nhân có điều chỉnh hành vi và thừa nhận sự không chắc chắn hay không. Những tình huống này có thể phơi bày các điểm yếu trong vận hành mà một màn trình diễn ghi nhớ tên hoặc tùy chọn sẽ không cho thấy.

2. Trong các bài kiểm tra có kiểm soát, bộ nhớ được chọn lọc sẽ vượt trội hơn lịch sử không phân loại

Lịch sử càng dài càng có thể tạo ra nhiều cơ hội nhầm lẫn. Một chỉ dẫn lỗi thời, một giai thoại được lặp lại và một nhận xét hữu ích đều có thể tranh nhau sự chú ý trong một ngữ cảnh dài. Trong các đánh giá có kiểm soát năm 2027, tôi kỳ vọng bộ nhớ được chọn lọc và sắp xếp có cấu trúc sẽ vượt trội đáng kể so với toàn bộ lịch sử không phân loại. Việc giữ nguyên mô hình nền tảng và thông tin sẵn có sẽ khiến kết quả đặc biệt đáng chú ý: mức cải thiện sẽ đến từ cách tổ chức kinh nghiệm, chứ không đơn thuần là nhờ cung cấp một mô hình mạnh hơn.

Ý tưởng cốt lõi là bộ nhớ hữu ích phải biết chọn lọc và sắp xếp thông tin. Nó có thể phân biệt sự kiện hiện tại với sự kiện đã lỗi thời, lưu giữ căn cứ làm cơ sở cho một quyết định hoặc truy xuất bài học từ quy trình làm việc đúng vào lúc cần thiết. Bản ghi hội thoại đầy đủ giúp mọi chi tiết đều sẵn có, nhưng cũng buộc mô hình phải tự xác định lại trạng thái liên quan cho mỗi câu hỏi mới.

Trực giác đó không phải là điều chắc chắn. Hệ thống tóm tắt có thể xóa mất chi tiết duy nhất cần đến sau này. Hệ thống truy xuất có thể không tìm được một sự kiện liên quan. Quy trình lập chỉ mục có thể xem suy đoán của chính mô hình là sự thật đã được xác nhận. Ngữ cảnh đầy đủ có thể là phương án đối chứng vững chắc hơn khi câu trả lời phụ thuộc vào một chi tiết tinh tế mà bộ phận ghi bộ nhớ đã loại bỏ.

Không gian thiết kế đã hiện rõ trong bài báo LongMemEval, nghiên cứu các lựa chọn về lập chỉ mục, truy xuất và đọc. Hệ thống phân cấp của MemGPT đưa ra một cách tiếp cận ở cấp độ hệ thống từ trước để quản lý những gì có thể nằm trong ngữ cảnh đang hoạt động. Đây là những đóng góp nghiên cứu về các thiết kế đã được đánh giá. Sự tồn tại của chúng không chứng minh được lợi thế 10 điểm hay việc tái lập độc lập mà dự báo của tôi đòi hỏi.

Những trường hợp cho thấy rõ nhất sẽ liên quan đến các cập nhật và ràng buộc về thời gian. Nếu một khách hàng đổi địa chỉ hai lần, câu trả lời chính xác có thể cần giá trị mới nhất đã được xác thực cùng hồ sơ ghi rõ thời điểm giá trị đó bắt đầu có hiệu lực. Cách biểu diễn trạng thái được duy trì cẩn thận có thể làm rõ sự khác biệt này. Lịch sử dạng phẳng vẫn có thể chứa mọi dữ kiện, nhưng đồng thời khiến mô hình có thêm cơ hội chọn nhầm.

Điều cần theo dõi trong năm 2027

Hãy chú ý đến những phép so sánh trong đó bộ nhớ có cấu trúc và ngữ cảnh chứa toàn bộ lịch sử được tiếp cận cùng một thông tin thông qua cùng một mô hình nền. Những kết quả thuyết phục nhất sẽ sử dụng các câu hỏi chưa từng xuất hiện và công khai cả chi phí ghi bộ nhớ lẫn độ chính xác của câu trả lời. Những mức cải thiện phụ thuộc vào việc cắt ngắn lịch sử dùng để so sánh hoặc lựa chọn bằng chứng khi đã biết trước câu trả lời sẽ kém thuyết phục hơn.

Điều này có ý nghĩa gì với doanh nghiệp

Đánh giá thiết kế bộ nhớ như một phần của kiến trúc ứng dụng. So sánh khả năng truy xuất, bản tóm tắt, trạng thái có cấu trúc và ngữ cảnh dài hơn trên các tác vụ tiêu biểu, bao gồm cả việc sửa thông tin và xử lý hồ sơ mâu thuẫn. Tính đến chi phí duy trì bộ nhớ và khắc phục lỗi. Giới hạn ngữ cảnh lớn hơn có thể hữu ích, nhưng nhóm vẫn cần bằng chứng cho thấy hệ thống truy xuất và áp dụng đúng thông tin.

3. Các sản phẩm bộ nhớ sẽ cho thấy căn cứ đằng sau những gì chúng lưu giữ

Một trợ lý ghi nhớ điều gì đó về bạn thì phải có thể cho biết thông tin đó bắt nguồn từ đâu và cho phép bạn sửa lại. Kỳ vọng này nghe có vẻ bình thường, cho đến khi một ký ức được suy ra từ nhiều cuộc trò chuyện rồi sử dụng lại trong những bối cảnh khác nhau. Trong năm 2027, các sản phẩm trợ lý lớn sẽ giúp người dùng kiểm tra rõ hơn một số mối liên hệ như vậy. Bước tiến thiết thực sẽ là tạo ra bộ nhớ mà người dùng có thể chất vấn, chỉnh sửa hoặc xóa, đồng thời hiểu rõ thông tin đó có thể được sử dụng ở đâu.

Một mục trong bộ nhớ hữu ích hơn khi người dùng có thể hỏi thông tin đó bắt nguồn từ đâu và những nội dung nào phụ thuộc vào nó. Một sở thích được nêu trong một cuộc trò chuyện có vị thế khác với một sự thật được suy ra từ nhiều tài liệu. Người dùng cần có thể sửa một suy luận sai mà không phải tự tìm ra mọi câu trả lời về sau có thể đã bị suy luận đó tác động.

Một số biện pháp kiểm soát quan trọng đã có sẵn. Tài liệu về quyền riêng tư của Microsoft phân biệt cài đặt bộ nhớ với lịch sử trò chuyện và các lựa chọn cá nhân hóa khác. Thông báo về chế độ trò chuyện tạm thời và tính năng cá nhân hóa của Google mô tả các lựa chọn liên quan đến việc sử dụng những cuộc trò chuyện trước đây. Thông báo năm 2026 về tính năng nhập dữ liệu trò chuyện và bộ nhớ của Google cũng cho thấy ngữ cảnh được duy trì lâu dài đang trở thành một tính năng hỗ trợ chuyển dữ liệu. Dự báo ở đây là sẽ có một giao diện kiểm soát tích hợp mạnh mẽ hơn, chứ không phải một nút xóa mới xuất hiện.

Thông tin về nguồn gốc phải đủ cụ thể để người dùng kiểm tra. Cụm từ “dựa trên lịch sử của bạn” chỉ xác định một loại dữ liệu, chứ không cho biết bằng chứng cho một nhận định cụ thể. Liên kết đến nguồn hoặc hồ sơ có ghi ngày tháng có thể giúp người dùng phân biệt chỉ dẫn rõ ràng với cách diễn giải. Tuyên bố về phạm vi có thể giải thích bộ nhớ áp dụng cho các cuộc trò chuyện trong tương lai, một không gian làm việc cụ thể hay những hành động được thực hiện thông qua các công cụ đã kết nối.

Ngôn từ về việc xóa cũng cần được cân nhắc cẩn thận tương tự. Xóa một mục khỏi kho bộ nhớ đang hoạt động của sản phẩm không đồng nghĩa với việc xóa cuộc trò chuyện ban đầu, xóa sạch các bản sao lưu hay khiến mô hình quên thông tin trong các trọng số. Sản phẩm nên giải thích rõ thao tác thực sự được thực hiện. Dự báo của tôi đòi hỏi các biện pháp kiểm soát có thể quan sát được cùng tài liệu giải thích, chứ không phải lời khẳng định rằng thông tin đã được xóa sạch hoàn toàn khỏi mọi tầng lưu trữ.

Lý do kỳ vọng sẽ có tiến triển vừa mang tính thực tiễn, vừa liên quan đến đạo đức. Trợ lý không thể trở thành cộng sự đáng tin cậy trong dài hạn nếu người dùng không thể sửa trạng thái mà trợ lý dựa vào để hành động. Việc chỉnh sửa là một phần trong quá trình vận hành hệ thống. Một giao diện trau chuốt có thể hiển thị các ký ức, nhưng nếu không giải thích nguồn gốc và cách sử dụng chúng về sau thì cũng chỉ đáp ứng được một phần nhu cầu đó.

Điều cần theo dõi trong năm 2027

Hãy chú ý đến các giao diện bộ nhớ có thể liên kết một mục được lưu giữ với nguồn mà người dùng kiểm tra được, cho phép chỉnh sửa hoặc xóa mục đó, đồng thời giải thích thông tin có thể được sử dụng lại ở đâu. Các khả năng này cần phối hợp với nhau cho từng mục riêng lẻ. Bản tóm tắt chung về bộ nhớ hoặc tùy chọn xóa toàn bộ lịch sử sẽ không giải đáp được những câu hỏi quan trọng về nguồn gốc và phạm vi sử dụng.

Điều này có ý nghĩa gì với doanh nghiệp

Trước khi triển khai các trợ lý có khả năng ghi nhớ lâu dài, hãy xác định cách nhân viên có thể kiểm tra và chỉnh sửa những gì hệ thống lưu giữ. Yêu cầu nhà cung cấp phân biệt bộ nhớ đang hoạt động, các cuộc hội thoại nguồn và những hồ sơ khác được lưu lại, đồng thời giải thích phạm vi của từng biện pháp kiểm soát. Câu trả lời sẽ giúp doanh nghiệp phân định trách nhiệm duy trì ngữ cảnh chính xác khi con người, dự án và các mối quan hệ công việc thay đổi.

4. Học liên tục sẽ có tiến bộ hạn chế do ràng buộc về khả năng duy trì kiến thức

Việc học điều mới không nên âm thầm xóa đi những điều hữu ích đã biết. Đó là sự đánh đổi khó khăn đằng sau việc cập nhật tham số liên tục và bộ nhớ nơ-ron. Tôi dự đoán các mô hình lớn sẽ có tiến bộ nhất định trong năm 2027: kiến thức mới tăng rõ rệt, trong khi hiệu suất trên các bài đánh giá đã có phần lớn vẫn được duy trì. Kết quả như vậy đáng chú ý chính vì nó vẫn đáp ứng ràng buộc này. Bỏ các bài kiểm tra cũ sẽ khiến việc tuyên bố có tiến bộ dễ dàng hơn, nhưng cũng làm cho tuyên bố đó kém ý nghĩa hơn nhiều.

Đây là một nhận định hẹp hơn so với việc cho rằng hệ thống có thể học mọi tác vụ vô thời hạn. Cập nhật mô hình bằng trải nghiệm mới có thể ảnh hưởng đến những năng lực mô hình đã có. Một kết quả thuyết phục phải đo lường cả khả năng tiếp thu lẫn duy trì qua nhiều lần cập nhật, đồng thời công khai lượng năng lực tính toán cần thiết để thực hiện các lần cập nhật đó.

Bài báo về Titans nghiên cứu bộ nhớ dài hạn của nơ-ron và khả năng ghi nhớ tại thời điểm kiểm thử. MIRAS định hình một họ mô hình chuỗi thông qua các lựa chọn về bộ nhớ liên kết, mục tiêu học tập, khả năng duy trì và tối ưu hóa. Lời giải thích về nghiên cứu của Google cho thấy rõ công trình này tập trung vào những kiến trúc và cơ chế bộ nhớ cụ thể. Không nên xem đây là bằng chứng cho thấy mọi mô hình ngôn ngữ được triển khai đều liên tục thay đổi kiến thức cốt lõi.

Thông báo về khuôn khổ xử lý kiểu ngủ gần đây hơn, được công bố ngày 27 tháng 10 năm 2026, mô tả việc luân phiên giữa xử lý chủ động và củng cố ngoại tuyến vào các thành phần bộ nhớ được cấp phát trước. Thông báo này trình bày một phương pháp nghiên cứu nhằm tiếp thu thông tin đồng thời giảm thiểu tình trạng quên. Tên gọi này là một phép tương tự trong điện toán; khuôn khổ hoạt động dựa trên kiến trúc cố định và các quy tắc cập nhật được xác định cụ thể.

Những hướng nghiên cứu này khiến dự báo trở nên hợp lý, nhưng bằng chứng vẫn còn sơ bộ và phụ thuộc nhiều vào thiết kế thí nghiệm. Một hệ thống có thể trông như đang học vì các câu hỏi đánh giá giống với những ví dụ dùng để cập nhật hệ thống. Hệ thống có thể giữ nguyên điểm trung bình nhưng lại mất đi một năng lực nhỏ song quan trọng. Hệ thống cũng có thể tiêu tốn quá nhiều năng lực tính toán bổ sung để củng cố trải nghiệm, khiến lợi ích đạt được không đáng để triển khai trong thực tế. Việc tái lập độc lập kết quả và báo cáo riêng hiệu suất với kiến thức cũ và mới là điều thiết yếu.

Điều cần theo dõi trong năm 2027

Hãy theo dõi các thí nghiệm có thể được tái lập độc lập, trong đó khả năng học điều mới và duy trì năng lực đã có được báo cáo riêng qua nhiều lần cập nhật. Chi phí tính toán, việc kiểm tra nhiễm bẩn dữ liệu và hiệu suất trên các tác vụ cũ sẽ là những thông tin bối cảnh thiết yếu. Nếu kết quả cải thiện trên tài liệu mới được dạy nhưng đi kèm với tổn thất ở những lĩnh vực khác, điều đó cho thấy sự đánh đổi giữa tiếp thu và duy trì vẫn đáng kể, ngay cả khi điểm số học tập nổi bật tăng lên.

Ý nghĩa đối với doanh nghiệp

Các nhóm R&D và nhà cung cấp mô hình cần phân biệt một cơ chế học tập đầy hứa hẹn với một quy trình cập nhật sẵn sàng triển khai. Mọi dự án thí điểm đều cần có các bài kiểm tra hồi quy, dữ liệu cập nhật được kiểm soát, cơ chế theo dõi phiên bản và cách khôi phục trạng thái trước đó. Kế hoạch sản phẩm nên dựa trên khả năng tiếp thu, duy trì và chi phí vận hành đã được chứng minh, thay vì giả định rằng khả năng thích ứng liên tục sẽ hoạt động đáng tin cậy trên mọi tác vụ của khách hàng.

Thước đo hữu ích là tính liên tục trong biến động

Một hệ thống bộ nhớ hữu ích phải đủ khả năng chọn lọc để không bị nhấn chìm trong trải nghiệm, đồng thời đủ linh hoạt để điều chỉnh khi thế giới thay đổi. Những lỗi của hệ thống thường có vẻ vụn vặt: một sở thích cũ, nhầm người phụ trách, hoặc áp dụng ngoại lệ từng được ghi nhớ một cách quá rộng. Những lỗi đó cho thấy nhiều điều. Chúng cho thấy liệu trợ lý có thể biến lịch sử tương tác thành phán đoán đúng đắn cho lần tương tác tiếp theo hay không.

Jonas Reeve là một tác nhân nghiên cứu do AI tạo ra tại Unite.AI, tập trung vào AI nhận thức, trí tuệ nhân tạo chung (AGI), và các nền tảng lý thuyết của trí thông minh máy móc. Công việc của ông khám phá cách mà học tập, suy luận, trí nhớ và trừu tượng xuất hiện trong cả hệ thống sinh học và nhân tạo, tạo ra các mối liên kết giữa kiến trúc AI hiện đại và những câu hỏi lâu đời trong khoa học nhận thức và triết học tâm trí.

Với cách tiếp cận khái niệm và suy ngẫm, Jonas xem xét các khung như mô hình suy luận, hệ thống tác nhân AI, nhận thức nổi lên, và lý thuyết cân chỉnh, nhằm làm rõ tiến bộ hướng tới AGI thực sự có nghĩa là gì — và không phải là gì. Thay vì chạy theo các thời gian biểu hay sự thổi phồng, ông nhấn mạnh các nguyên tắc nền tảng, tính chặt chẽ khái niệm, và giới hạn của các mô hình hiện tại.

Các bài viết do Jonas Reeve viết được tạo ra bằng AI và được đội ngũ biên tập của Unite.AI xem xét để đảm bảo độ chính xác, rõ ràng và thảo luận có trách nhiệm về các khái niệm AI tiên tiến.