Nowe badanie z arXiv przedstawia formalną teorię pamięci w uniwersalnych agentach sztucznej inteligencji. Naukowcy wykazali, że gdy dwie domeny zadań mają obserwacyjne wąskie gardło — czyli możemy obserwować coś samego siebie w obu — ale wymagają zupełnie różnych optymalnych działań, to każdy agent działający blisko optymalnie musi utrzymywać różne rozkłady informacji w pamięci dla każdej domeny.
To prowadzi do głownego wniosku: uniwersalne agenty nie mogą polegać wyłącznie na bieżącym stanie obserwacji. Muszą aktywnie przechowywać i wykorzystywać informacje dotyczące specyfiki domeny — innymi słowy, pamięć staje się niezbędnym elementem dla agentów działających w wielu środowiskach. To teoretyczne spostrzeżenie ma duże znaczenie dla projektowania bardziej elastycznych systemów AI.
Dodatkowe odkrycie dotyczy relacji między pamięcią a zrozumieniem dynamiki świata. Jeśli pamięć agenta zawiera wystarczająco dużo informacji do estymacji wartości dla powiązanych celów, może ona zostać wykorzystana do przybliżonej rekonstrukcji lokalnej dynamiki przejść — czyli tego, jak zmienia się stan w odpowiedzi na działania. Te wyniki sugerują, że pamięć w agentach AI jest fundamentalnym substratem wspierającym rozróżnianie między domenami, uczenie się modeli przejść i planowanie. Dla badaczy pracujących nad bardziej uniwersalnymi i elastycznymi systemami sztucznej inteligencji to stanowi teoretyczną bazę do lepszego projektowania architektur agentów.