依意思最接近的 30 筆
南洋理工大學等機構在 NeurIPS 2026 發表 MemSkill，把新增、更新、刪除、跳過等記憶操作封裝為可學習、可複用、可進化的 Memory Skills，並用下游任務反饋最佳化技能選擇、根據失敗案例擴充技能庫。實驗在 LLaMA 與 Qwen 上覆蓋 LoCoMo、LongMemEval 與 ALFWorld，均取得最高 L-J 分數與 ALFWorld 平均成功率，且技能庫可跨模型、跨資料集直接遷移而無需重訓。
加州大學聖塔芭芭拉分校、斯坦福等六家機構聯合提出多模態 Agent 記憶評測基準 WorldMemArena，論文已被 NeurIPS 2026 接收。該基準含 400 多項多會話任務、24,258 組問答與 15,595 張影像截圖，把記憶拆成寫入、維護、檢索、使用四個環節來定位失敗原因。初步結果顯示，存得多不等於用得好：M2A 記憶召回率 86.83%，問答正確率僅 50.14%；
OpenAI 於 9 月 21 日發布官方戰略宣告，把自動化 AI 研究員與遞迴自我改進（RSI）列為下一階段重要目標，並計劃在 2028 年 3 月前打造真正的自動化 AI 研究員；Anthropic 同期披露，截至 8 月 Claude 已在約 26% 的內部 AI 研發工作中承擔主導角色。
Percepta 公布新架構 Spotlight，用可讀寫記憶取代注意力機制，宣稱是首個實現記憶無限增長而不增加訪問成本的架構。每個 token 只讀寫少量記憶單元，稀疏度可任意調節，不像 MoE 那樣固定啟用比例。該架構把負責計算的智慧模組與存放知識、流程和狀態的記憶分離，模型權重不隨記憶增長而改變，可自行決定載入與覆寫，從而無需重訓練即可獲得新能力。
軟體工程學者 Diomidis Spinellis 在部落格中判斷，AI 將接管大部分認知工作，思考會像狩獵、書法和木工一樣，從謀生手段變成休閒愛好。他給出三個驅動因素：效能更高、成本更低、可用性更高，並提到 OpenAI 內部模型已解決數百個此前未解的數學問題。文中還提到到 2030 年數萬億美元的資料中心投資將帶來更多算力，政府可能以監管和稅收限制 AI，但歷史上的類似舉措未能阻止技術革命；他建議保持靈活、跟上進展，並在工作之外建立有意義的生活。
香港科技大學、香港城市大學、復旦、CMU、NYU、NTU 等機構聯合發布 110 頁綜述《The Past Frames the Future: Memory for Autoregressive Video Generation》，系統梳理自迴歸影片生成中的 Memory 機制。
2026 年 10 月 3 日，一篇技術文章批評市面上的 agent 記憶外掛本質都是 RAG：把會話切成片段存入向量庫，每次提示注入最相似的 5 條，存在相似度不等於正確、片段脫離上下文、舊記憶被當作事實、無法審計等問題。作者主張改用文件式記憶，讓 agent 工作前查閱 Markdown 文件、工作後更新，並稱已把這一思路做成外掛 Operator Memory，不使用向量資料庫和嵌入。
Anthropic 把 Agent Skills 開放標準捐贈給 Linux 基金會旗下的 Agentic AI Foundation（AAIF），並移交名稱與 logo、GitHub 組織及 agentskills.io 域名。該標準自 2025 年 12 月發布以來，已有 ChatGPT、Cursor、GitHub Copilot、VS Code 等 70 多個平台接入，累計發布 100 萬個 skill、安裝近 2.8 億次。
記憶張量開源 MemT 1.0 系列記憶原生模型，最大型號 Flash 總引數 288B、啟用 17B，較小的 Nano 為 36B 總參、3B 啟用。兩者分別在選定的 Transformer 模組里加入與原注意力並行的記憶分支，把經驗編碼成可更新的內部矩陣狀態，據稱為記憶原生模型首次做到近 300B 引數規模的工程驗證。在 SWE-bench Verified 的 500 項任務各跑三次中，Nano 三次全成功率由無經驗的 54.00% 升至 62.80%；
記憶張量發布並開源 MemT 1.0，稱其為業內首個記憶原生基座模型，歷史資訊被編碼為可更新的內部記憶狀態，隨每輪對話逐 token 更新並可跨會話儲存恢復。兩個版本為 MemT-1.0-Flash（288B 引數、17B 啟用、336M 動態記憶）與 Nano（36B 引數、3B 啟用、10M 動態記憶）。
一篇 2026 年 10 月 11 日發布的觀點文章認為，AI 帶來的認知外包不是認知退化，而是把人從繁瑣規則裡解放出來。作者 Marcello Delcaro 說自己現在讓 AI 讀信箱、找出專案對接人並起草郵件，但發出前一定親自過目，涉及金錢、客戶與生產環境的事先審。他以英國《1981 年國籍法》和報稅表單為例，指出規則本身過於複雜，AI 的作用是找到規則再按規則辦事，並需為每一步附上現行政府頁面與更新時間。省下的腦力則回到寫日記、讀書和社交。
一篇隨筆主張，AI 正在瓦解支撐個人智力活動的知識社群，使長期、複雜的私人思考越來越難維持。作者以軟體工程為例：Claude Code 發布一年多，行業討論從編譯器、型別系統轉向 prompt、harness、loop，變得狹窄膚淺；寫部落格、開源庫或設計新程式語言也不再有人類讀者，內容只會被下一代模型消化。文章稱數學領域正經歷類似過程，並認為持續的知識活動需要共享成果與他人認可這兩種無法獨自獲得的輸入。
浙江大學、復旦大學、螞蟻集團與南京大學團隊推出 WorldMemBench，用可控的“離開—回訪”鏡頭評測影片世界模型的記憶。基準含 260 個案例、23 個內容類別，分靜態記憶、動態記憶及影片品質、相機跟隨四個維度，測試了 HY-WorldPlay、LingBot-World 等九個模型。結果顯示靜態與動態記憶的強項分化：HY-WorldPlay 七項靜態指標全部領先，LingBot-World 動態記憶總分最高；
一位開發者把 AI Agent 跑在了只有 48MB RAM 的諾基亞 110 功能機上，並已用它自動化了幾個操作。他平時用這部手機來減少螢幕時間，最初嘗試刷入 Android 系統，因記憶體只有 48MB 而失敗，隨後花幾天時間逆向工程，最終讓 AI Agent 在這臺手機上執行。該帖發在 Hacker News 的 Show HN 板塊，目前 15 分、3 條評論，作者未說明所用的是哪個 AI 模型，也沒列出具體自動化了哪些操作。
Anthropic 宣布將 Agent Skills 標準捐贈給 Linux 基金會旗下的 Agentic AI Foundation（AAIF），以保持其開放、社群驅動與供應商中立。AAIF 由 Anthropic 與 Block、OpenAI 於去年共同創立，此前 MCP 規範也已捐入該基金會。Anthropic 最早在去年 12 月就將 skills 定位為開放標準，此次是把它交給中立的基金會託管。
Meta AI 公布 Muse Wonder 的兩項核心能力，均面向 agent 每天要處理的長時、多步任務。Active Memory 讓上下文跨對話保留，並在相關時重新調出；Active Focus 讓模型在任務變難時繼續朝目標推進，嘗試替代方案、突破阻塞並堅持到完成。推文未說明上線時間、可用範圍與模型規格。
Sam Altman 在 Cheeky Pint 訪談中表示，個人把全球有限的 DRAM 留在自己電腦裡、只使用 5% 的時間，從全球分配角度看相當糟糕，雲端最大化利用率才是解法。他提到 OpenAI 獲准買下全球 40% 的 DRAM 產量，而美光已宣布退出消費級記憶體生產。OpenAI 還在自研代號 Jalapeno 的 AI 晶片，稱該晶片由 AI 為 AI 設計。
這篇博文把線性層、MLP 和自注意力解釋為不同形式的記憶儲存，並估算容量：在 64 維 key 下，線性層約存 64 條記憶，MLP 約 2700 條，自注意力可超過 100 萬條。它用干擾-訊號比衡量召回品質：儲存越多，鍵之間干擾越大，干擾等於訊號時達到容量；鍵正交時召回才精確。文章還指出梯度下降的一步可視為寫入一條 key 為輸入、value 為負梯度乘學習率的記憶，並配有互動式應用展示召回如何失敗。
斯坦福大學計算機博士 Alex Wang 於 10 月 15 日發布部落格，把線性層、MLP 與自注意力統一解釋為不同形式的聯想記憶儲存器，並從記憶之間的干擾出發推匯出這些結構。在 64 維 Key 的隨機記憶實驗中，線性儲存器容量約 64 條，平方 ReLU 的 GLU 式 MLP 約 2700 條，採用固定縮放係數的自注意力理論容量約 120 萬條；1/√d_k 縮放以及 YaRN 等長上下文擴充套件策略也能從干擾角度得到解釋。
Linux 基金會旗下 AAIF 新增四個託管專案，Anthropic 把 Agent Skills 規範連同名稱、Logo、GitHub 組織與 agentskills.io 域名一併捐出。其餘三項是 OpenAI 統一模型介面的 Open Responses（AWS 已參與維護與開發）、Hugging Face 的訓練環境框架 OpenEnv、阿里的沙箱 OpenSandbox，AAIF 託管專案增至 10 個、會員達 305 家。
OpenAI 新平台發布系列首篇隨筆《永恆的互補》，作者為 Hemanth Asirvatham 與 Elliott Mokski，文末註明觀點不代表 OpenAI。文章引用 Nick Bloom 等研究：維持摩爾定律所需研究人員數量是 1970 年代初的 18 倍以上，1930 年代以來全經濟有效研究投入增長 23 倍，而研究生產率下降 41 倍。作者據此提出「制度智慧」概念，認為前沿智慧與執行能力互為補充，超級智慧的價值可能更多體現在重複性執行工作上。
開源命令列工具 RemoveMacAI 可以刪除 macOS 上的 Apple Intelligence 模型資料並關閉相關功能，開發者稱可釋放約 12GB 磁碟空間。macOS 27 移除了此前關閉 Apple Intelligence 的單一設定開關，模型仍留在磁碟上，相關功能被拆散到不同設定面板中。開發者表示，該工具本質上做的就是舊開關的事；手動操作需找到約十幾個設定，其中若干位於螢幕時間（Screen Time）下。
《Snow Crash》作者 Neal Stephenson 在 Core Memory 播客與 Ashlee Vance 對談約兩小時，坦言連自己都被這輪 AI 熱潮打了個措手不及。他討論奇點是否已經臨近、當下是否算 AI 的曼哈頓計劃時刻，並指出與中國的 AI 競賽存在熟悉的兩難：沒人願意在對手可能更快時放慢腳步。
奧特曼在 Cheeky Pint 採訪中稱，讓每個人把緊缺的 DRAM 裝進電腦、利用率僅 5% 是「相當糟糕」的全球資源配置，記憶體應集中到雲端資料中心。他認為 AI 熱潮已推高 PC 與手機價格，而記憶體廠商因歷史上過度擴產險些破產、如今擴產保守，「看不見的手」已經失靈；OpenAI 的對策是自研晶片、自建資料中心，乃至用機器人運營晶圓廠的「自我複製的資料中心」。
Artificial Analysis 將模型智慧指數升級到 v5.0，評測集換成 9 項新基準。Knowledge Work、Coding、Science、General 四類各佔 25%，單項權重最高為 15%，分別是 AA-Briefcase v1.1、FrontierCode 2.0、Terminal-Bench-Science 0.1 和 AA-Omniscience v1.1；
AAAI 期刊論文《How to make System 1 LLMs show System 2 competencies?》在 Wiley Online Library 上線，研究如何讓直覺式（System 1）大模型表現出慢思考（System 2）的能力。全文需經 Wiley 連結檢視，Hacker News 同期討論帖僅 7 分、1 條評論。原文未披露所用方法、模型與實驗資料。
Marissa Mayer 因用 AI 生成女兒的性格描述而遭批評，被指矽谷高管與大眾脫節。她在介紹新應用 Dazzle（一款從相簿中學習的 AI 助手）時說，該應用幫她為女兒的學校生日展示想出三個要點，把女兒概括為有同理心、有創造力、熱愛動物，被批像通用星座描述。Mayer 事後在 X 上解釋稱是在測試原型，但同一採訪中她仍提出可用 AI 規劃生日派對主題和親子活動。文中還引皮尤調查：50% 美國成年人認為 AI 會削弱人建立有意義關係的能力，僅 5% 認為會更容易。
復旦 NLP 團隊發布主動式個人助手 A5，能在多次會話間積累對使用者與專案的理解，並在接入資料發生變化時主動提出後續建議。A5 Harness 通過 Context 索引、Memory 系統、Diff Engine 與 Proposal Engine 維護終身上下文：演示中它能把使用者對陶瓷的興趣遷移到新的旅行規劃，也能在需求文件從個人使用改為團隊共用時調整存取權限方案。技術預覽 v0.3.1 安裝包已開放下載，支援 macOS 與 Linux，程式碼將隨後開源。
由 18 家機構組成、2025 年 11 月啟動的 C-BRAIN 聯盟正與 NVIDIA 合作，用 AI 挖掘此前無法訪問的阿爾茨海默研究資料，並開源兩款科研智慧體。其中與勞倫斯伯克利國家實驗室共建的 OpenScientist 能半自主生成假設並完成分析，官方稱原本需數週到數月的工作幾分鐘即可完成，單次成本低於 10 美元；InsightEngine 則用文獻與知識圖譜逐條核對結論以減少幻覺。
macOS 27 Golden Gate 取消了關閉 Apple Intelligence 的開關，GitHub 開發者 Om Lahore 為此發布命令列工具 RemoveMacAI，可一鍵關閉該功能並釋放磁碟空間。據 GitHub 頁面，該操作完全可逆；作者稱 Apple Intelligence 模型約佔 12GB，The Verge 則指出實際佔用可能超過 30GB。此前使用者在設定中只能逐項關閉 AI 功能，模型檔案仍會留在磁碟上。