海马体显式记忆：通往AGI的基石

大语言模型（LLM）在各类任务中展现出惊人能力，让业界对通用人工智能（AGI）的期待不断升温。然而，一篇来自arXiv的最新立场论文指出，若要让LLM真正迈向AGI，必须为其引入显式记忆系统——这一机制与人类大脑中海马体的功能高度相似。

该论文题为《Position: Hippocampal Explicit Memory Is the Cornerstone for AGI》，作者通过神经科学与计算科学的交叉视角，系统论证了当前LLM的学习机制本质上等同于人类的“内隐记忆”。内隐记忆负责技能习得与模式识别，比如骑自行车或识别常见物体，但无法支撑高阶认知。而AGI所必需的能力，如长期战略规划、元认知（对自身思维的监控与调节）以及符号推理，恰恰依赖于人类大脑中由海马体主导的“显式记忆”。

海马体是大脑中负责将短期经验转化为长期事实性记忆的核心区域。它能够有意识地编码、存储和提取具体事件与知识，这种“显式”特性使其成为推理与规划的底层支撑。相比之下，LLM通过海量文本的统计学习，虽然能生成流畅的应答，却缺乏对自身知识边界的有意识认知和灵活调用能力。例如，一个LLM可以回答“如何规划一次太空旅行”，但在需要根据实时反馈调整长期策略时，它往往显得笨拙——这正是因为缺少了显式记忆的“情景缓冲区”与“索引机制”。

论文进一步提出了构建人工显式记忆系统的计算需求。首先，系统需要具备“经验分离”能力，即能将连续输入的信息分割成独立的事件单元，类似于海马体将经历切片为“情景记忆”。其次，必须建立高效的“模式完成”机制，允许从部分线索中快速检索完整记忆。此外，记忆的巩固与重放过程也至关重要——人类在睡眠中会重放白天的重要经历以强化记忆，人工系统同样需要离线阶段来整合新知识，避免灾难性遗忘。

作者强调，当前LLM的扩展范式（更大模型、更多数据）已接近收益递减的临界点。单纯增加参数规模无法赋予模型真正的理解与推理能力，反而会加剧计算成本与能耗。而显式记忆的引入，有望让模型在保持现有优势的同时，获得对事实的精准回溯、对因果关系的显式建模，以及对长期目标的持续追踪能力。这不仅是技术路径的补充，更可能是通往AGI的必要转折。

这一观点在学界引发讨论。支持者认为，神经科学为AI提供了宝贵的灵感源泉，海马体机制的计算建模已有多年积累，将其融入Transformer架构并非空中楼阁。质疑者则指出，人工显式记忆的存储效率、检索延迟以及如何与神经网络无缝协同，仍是尚未解决的工程难题。不过，论文的价值在于将“记忆类型学”这一神经科学概念清晰引入AI领域，为后续研究提供了明确的方向标。

从更广阔的视角看，这篇论文呼应了AI领域对“神经符号系统”的持续探索。显式记忆本质上是一种符号化、可操作的知识表示，它能够与LLM的隐式统计学习形成互补。未来，或许我们会看到一种混合架构：LLM负责感知与生成，而一个类海马体的记忆模块负责存储关键事实、追踪推理链条，并在必要时主动介入，引导模型进行反思与纠错。这种“双系统”设计，可能比单一模型更接近人类大脑的运作方式。

尽管AGI的最终形态尚无定论，但该论文无疑为当前以LLM为中心的技术路线敲响了警钟：如果只关注规模而忽视记忆架构的革新，我们可能永远无法跨越从“语言模仿”到“真正智能”的鸿沟。海马体这个古老的大脑结构，或许正是解开下一代AI钥匙的关键所在。