Naukowcy poddają pod dyskusję najpopularniejszy sposób przechowywania pamięci długoterminowej w systemach AI - tradycyjne bazy danych mogą wcale nie być najlepszym rozwiązaniem dla autonomicznych agentów. Problem wydaje się prosty na pozór: jeśli agent ma uczyć się przez miesiące czy lata, gromadząc wiedzę i doświadczenia, to trzeba to gdzieś zapisać. Dotychczas przyjmowano, że konwencjonalne bazy danych to naturalne rozwiązanie, ale badania sugerują, że podejście to ma poważne ograniczenia, które mogą hamować rozwój naprawdę zaawansowanych systemów AI.
Fundamentalny problem polega na tym, że wymagania pamięci dla autonomicznych agentów różnią się znacznie od tego, co oferują klasyczne bazy danych. Agent nie potrzebuje tylko surowych informacji - musi umieć skutecznie wyszukiwać powiązane wspomnienia, łączyć je w logiczne całości i uczyć się na bazie przeszłych doświadczeń w kontekście nowych sytuacji. Tradycyjne systemy są optymalizowane pod kątem szybkiego dostępu do konkretnych rekordów, a nie do dynamicznego, kontekstualnego odwoływania się do rozproszonych doświadczeń. Badanie pokazuje, że potrzebujemy fundamentalnie nowych architektur, które będą odzwierciedlać sposób, w jaki uczą się biologiczne systemy - poprzez asocjacje, wzorce i rekontekstualizację wiedzy.
Wnioski mają ogromne znaczenie praktyczne dla całej branży AI. Jeśli opracujemy lepsze systemy pamięci, która będzie naturalniejsza dla agentów, mogliśmy uzyskać systemy zdolne do bardziej zaawansowanego planowania, szybszego adaptowania się do nowych zadań i lepszego zarządzania złożonymi projektami w długim horyzoncie czasowym. To nie jest tylko kwestia teoretyczna - od tego, jak agent pamiętać będzie swoje poprzednie próby i błędy, zależy, czy w ogóle będzie zdolny do autonomicznego działania w świecie rzeczywistym.