The Dynamic Gist-Based Memory Model (DGMM): A Memory-Centric Architecture for Artificial Intelligence

📄 arXiv: 2605.02106v1 📥 PDF

作者: Terry Dorsey, Kevin Huggins

分类: cs.AI

发布日期: 2026-05-04

备注: 22 pages. 2 figures. Submitted to JAIR

💡 一句话要点

提出动态概要记忆模型(DGMM)，解决AI在持久记忆、时序定位和可解释性方面的局限。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 记忆模型 人工智能架构 情景记忆 语义记忆 时序定位 可解释性 知识表示 图神经网络

📋 核心要点

  1. 现有AI系统在持久记忆、时序定位和可解释性方面存在不足，尤其是在大型语言模型中，经验隐式编码于参数中。
  2. DGMM将记忆作为推理的核心，显式且持久地表示经验，构建基于时间、来源和交互上下文的图结构情景-语义记忆。
  3. DGMM的特性包括情景持久性、线索条件下的局部突发性和上下文可变性，无需重新训练即可支持演进式解释。

📝 摘要（中文）

当前的人工智能系统通过大规模参数化、检索增强以及在广泛的静态语料库上进行训练来获得强大的性能。尽管取得了这些进展，它们在持久记忆、时序定位、溯源和可解释性方面仍然面临局限性。这些挑战在大型语言模型中尤为突出，在这些模型中，经验被隐式地编码在固定的参数中，限制了长期保存、检查和重新解释过去交互的能力。本文建立了一个以记忆为中心的人工智能架构基础，其中经验被显式地和持久地表示，以支持时序定位、溯源和可解释性。它提出了一种替代以参数为中心的方法，将记忆视为推理的一流结构化基质。我们介绍了动态概要记忆模型（DGMM），这是一种将经验表示为不断演变的、图结构的情景-语义记忆的架构。DGMM将经验编码为基于时间、来源和交互上下文的互连概念结构，并将选择性的、线索条件下的回忆定义为构建工作记忆的机制。基于增量式记忆增长和回忆条件下的解释，提供了一个正式的模式和架构不变性。

🔬 方法详解

问题定义：现有AI系统，特别是大型语言模型，在处理需要长期记忆、理解事件发生的时间顺序、追溯信息来源以及提供可解释推理过程的任务时表现出局限性。传统的参数化方法将经验隐式地编码在模型参数中，使得难以显式地访问、修改或推理过去的交互。

核心思路：DGMM的核心思路是将记忆作为AI系统的第一公民，采用显式且持久的记忆结构来表示经验。通过将经验编码为图结构的情景-语义记忆，DGMM能够支持基于上下文和线索的回忆，从而实现时序定位、溯源和可解释性。这种以记忆为中心的设计旨在克服传统参数化方法的局限性。

技术框架：DGMM的整体架构包含以下几个关键模块：1) 经验编码器：将输入经验（例如，交互、观察）转换为概念结构，并将其存储在图结构的情景-语义记忆中。每个概念结构都包含时间戳、来源信息和交互上下文。2) 记忆存储：以图结构的形式组织和存储概念结构，节点表示概念，边表示概念之间的关系。3) 回忆机制：根据给定的线索（例如，查询、上下文），从记忆中选择性地检索相关的概念结构，构建工作记忆。4) 解释器：基于工作记忆中的信息，进行推理、决策或生成响应。

关键创新：DGMM最重要的技术创新在于其显式且持久的记忆表示。与传统的参数化方法不同，DGMM将经验存储为可访问和可修改的结构化数据。此外，DGMM的回忆机制允许根据上下文和线索选择性地检索相关信息，从而提高了推理的效率和准确性。DGMM的增量式记忆增长和回忆条件下的解释也使其能够适应新的经验，而无需重新训练。

关键设计：DGMM的关键设计包括：1) 概念结构的表示：每个概念结构都包含时间戳、来源信息和交互上下文，以便进行时序定位和溯源。2) 图结构的组织：使用图结构来表示概念之间的关系，例如，因果关系、时间关系、语义关系。3) 回忆机制的设计：采用基于线索的检索方法，根据给定的线索从记忆中选择性地检索相关的概念结构。4) 增量式记忆增长：允许将新的经验添加到记忆中，而无需重新训练模型。5) 架构不变性：DGMM在存储记忆时，不会对记忆结构进行修改，保证了记忆的完整性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

论文结果表明，DGMM具有情景持久性，能够长期保存经验。DGMM还表现出线索条件下的局部突发性，即当遇到新的或意外的事件时，能够快速地从记忆中检索相关信息。此外，DGMM支持上下文可变性，即能够根据不同的上下文对相同的经验进行不同的解释，而无需修改存储的记忆。

🎯 应用场景

DGMM具有广泛的应用前景，包括对话系统、机器人导航、智能助手和教育系统。通过提供持久记忆、时序定位和可解释性，DGMM可以提高这些系统的性能和可靠性。例如，在对话系统中，DGMM可以记住过去的交互，从而提供更个性化和上下文相关的响应。在机器人导航中，DGMM可以记住环境地图和过去的经验，从而更有效地规划路径。DGMM的未来影响在于其能够构建更智能、更可靠和更可解释的AI系统。

📄 摘要（原文）

Contemporary artificial intelligence systems achieve strong performance through large-scale parameterization, retrieval augmentation, and training on extensive static corpora. Despite these advances, they continue to face limitations in persistent memory, temporal grounding, provenance, and interpretability. These challenges are especially pronounced in large language models, where experience is encoded implicitly in fixed parameters, limiting the ability to preserve, inspect, and reinterpret past interactions over time. This paper establishes a memory-centric architectural foundation for artificial intelligence in which experience is represented explicitly and persistently to support temporal grounding, provenance, and interpretability. It proposes an alternative to parameter-centric approaches by treating memory as a first-class, structured substrate for reasoning. We introduce the Dynamic Gist-Based Memory Model (DGMM), an architecture in which experience is represented as an evolving, graph-structured episodic-semantic memory. DGMM encodes experience as interconnected conceptual structures grounded in time, source, and interaction context, and defines selective, cue-conditioned recall as the mechanism for constructing working memory. A formal schema and architectural invariants are provided based on additive memory growth and recall-conditioned interpretation. The results specify properties of DGMM, including episodic persistence, locality of cue-conditioned surprise, and contextual variability without structural modification of stored memory. DGMM provides a coherent architectural theory in which memory is explicit and persistent, supporting evolving interpretation without retraining and enabling interpretable, context-aware, and temporally grounded AI systems.