Artykuł pozycyjny na arXiv postawił tezę, że aby modele językowe zbliżyć do prawdziwej inteligencji ogólnej, muszą wyjść poza obecne mechanizmy oparte na uczeniu statystycznym. Autorzy wskazują, że LLM-y przypominają ludzką pamięć niejawną – uczą się wzorców z danych bez świadomej kontroli, ale to nie wystarczy na poziomie AGI.
Problemu tkwi w tym, że wyższe funkcje poznawcze wymagane dla AGI – strategiczne planowanie na długą metę, metacognition (umiejętność myślenia o własnym myśleniu) i rozumowanie symboliczne – polegają na jawnej pamięci hipokampu. To jest mechanizm odpowiadający za celowe przechowywanie i manipulowanie informacjami, zupełnie inny od statystycznych operacji na miliardach parametrów. Mózg wykorzystuje te dwa systemy równolegle: implicit memory dla rutynowych zadań, explicit memory dla nowych wyzwań i refleksji.
Zasadnicza implicja jest taka: bez jawnego systemu pamięci AI nie będzie w stanie planować na długi horyzont czasowy, przechowywać doświadczeń w elastyczny sposób czy angażować się w rozumowanie abstrakcyjne. Artykuł wywodzi się z obserwacji neuronaukowych i proponuje ramy obliczeniowe dla sztucznych systemów jawnej pamięci, stawiając pole badawcze, które mogłoby radykalnie zmienić architekturę przyszłych modeli AI.