特朗普：北约已往没有支持我们，，，，，，未来也不会支持我们
文 | 字母 AI小时间有个魔性广告，，，，，，叫 " 今年过节不收礼，，，，，，收礼只收脑白金 "。 。。。。。于是履历过谁人年月的人，，，，，，通常把 " 补脑 " 和 " 脑白金 " 绑定在了一起。 。。。。。至于这玩意儿究竟有没有用？？？？？这我欠好说。 。。。。。20 多年已往了，，，，，，AI 时代到来，，，，，，我突然发明，，，，，，现在的 AI 也最先吃 " 脑白金 " 了。 。。。。。你有没有类似的履历。 。。。。。好比说跟某个 AI 聊到第 30 轮，，，，，，它突然 " 失忆 " 了。 。。。。。你前面刚说过的需求，，，，，，它转头就忘得一干二净。 。。。。。你用 Claude 写了一下昼代码，，，，，，第二天重新翻开，，，，，，它对昨天的使命毫无印象，，，，，，你问它某个代码，，，，，，它只能重新过一遍代码库再回覆你。 。。。。。整个 AI 行业，，，，，，苦这个系统性 " 晚年痴呆症 " 久矣。 。。。。。于是，，，，，，一个新兴工业降生了。 。。。。。从外挂层、系统层、模子层给 AI 喂 " 赛博脑白金 "。 。。。。。好比在 GitHub 上已经有 5 万多颗星的 Claude-Mem，，，，，，尚有 DeepSeek DSA、阿里的 Qwen3-Next 这样的底层架构优化，，，，，，整个工业都在猖獗给 AI 增添影象力。 。。。。。AI 再智慧，，，，，，记不住事儿也白搭。 。。。。。那么 2026 年，，，，，，究竟都有哪些 " 赛博脑白金 " 在给 AI 补脑，，，，，，它们各自的配方又是什么？？？？？01 ?赛博脑白金产品图鉴压缩式影象管理是第一种思绪，，，，，，焦点逻辑是把长篇大论酿成 " 小作文 "。 。。。。。虽然和咱们贴吧论坛看到的那些小作文一定纷歧样了，，，，，，这种 " 小作文 " 是给大模子看的，，，，，，只有上下文中的要害信息。 。。。。。这类产品不是扩大 AI 的影象容量，，，，，，而是让同样的空间装下更多工具。 。。。。。就像你整理行李箱一样，，，，，，你把衣服揉成团，，，，，，你可能只塞得下几件衣服，，，，，，但你要是叠好了再放进去，，，，，，就能塞许多衣服。 。。。。。Claude-Mem 是这个领域最火的产品。 。。。。。这个项目在 2025 年底宣布，，，，，，到现在 GitHub 上已经有 5 万多颗星了。 。。。。。它专门为 Claude Code 设计，，，，，，解决的就是影象太短的问题。 。。。。。Claude-Mem 的做法很巧妙，，，，，，它通过 5 个生命周期钩子自动捕获你和 AI 的所有对话，，，，，，然后用 AI 自己来压缩这些信息。 。。。。�； ；； ；；；峄白钕仁奔釉厍崃考端饕�，，，，，，需要时再睁开详细内容，，，，，，模拟人类影象的事情方法。 。。。。。这种 " 渐进式披露 " 的设计很智慧。 。。。。。你不需要一次性把所有历史对话都塞进上下文窗口，，，，，，而是先看个目录，，，，，，需要哪部分再调出来。 。。。。。它这个做法就像我写文章讲故事，，，，，，你不可一上来就把事情都说了，，，，，，你得先说个时间线，，，，，，几多几多年间，，，，，，然后再说谁人时间段爆发的事。 。。。。。类似的手艺尚有 LongLLMLingua 和 Acon。 。。。。。LongLLMLingua 通过提醒词压缩实现高达 20 倍的压缩率，，，，，，特殊适合那些只能通过 API 挪用、看不到内部结构的黑盒模子。 。。。。。Acon 则更进一步，，，，，，它在自然语言空间里做压缩优化，，，，，，在 AppWorld 等基准测试中把内存使用降低了 26% 到 54%，，，，，，同时基本不影响使命体现。 。。。。。这些工具实质上都在做统一件事，，，，，，用更少的 token 说更多的话。 。。。。。但压缩终究有极限，，，，，，你再怎么压缩，，，，，，到最后至少得保存基本信息。 。。。。。这时间就需要第二种思绪，，，，，，外挂式影象系统。 。。。。。若是说压缩是 " 节约 "，，，，，，外挂心忆就是 " 开源 "。 。。。。。这类系统不再试图把所有工具塞进 AI 的上下文窗口，，，，，，而是在模子外部建设一个自力的影象客栈。 。。。。。需要的时间，，，，，，AI 可以自动去这个客栈里翻找相关信息。 。。。。。Mem0 是这个偏向的代表作品。 。。。。。它接纳动态提取、整合和检索的架构，，，，，，把对话中的要害信息存储到外部数据库。 。。。。。需要时通过语义相似度检索相关影象。 。。。。。实验数据显示，，，，，，Mem0 在 LOCOMO 基准测试中比 OpenAI 的影象系统提升了 26%，，，，，，同时响应时间降低 91%, token 使用量镌汰 90% 以上。 。。。。。LOCOMO 是现在较有代表性的恒久对话影象基准之一。 。。。。。它包括单跳问题、时序问题、多跳问题和开放域问题四大类。 。。。。。单跳问题磨练 AI 能否记着单个事实，，，，，，多跳问题则要求 AI 综合多次对话中疏散的信息。 。。。。。Mem0 在多跳问题上的 F1 分数抵达 28.64，，，，，，J 分数 51.15，，，，，，显着凌驾其他计划。 。。。。。这说明它不但是能记着零星的事实，，，，，，还能把这些事实串联起来。 。。。。。更有意思的是 MemGPT，，，，，，不过它现在已经改叫 Letta 了。 。。。。。它的事情原理是把 LLM 视为操作系统，，，，，，实现类似盘算机虚拟内存的分层管理。 。。。。。跟苹果 Mac 用的贮存手艺原理一样，，，，，，当物理内存不敷用时，，，，，，系统会把暂时不必的数据挪到硬盘上，，，，，，需要时再调回来。 。。。。。MemGPT 把这套逻辑搬到了 AI 影象管理上。 。。。。。它通过显式的读写操作让模子自主管理内存，，，，，，在事情影象、短期影象和恒久影象之间无邪调理。 。。。。。这个设计的精妙之处在于，，，，，，它不是人为划定什么该记什么该忘，，，，，，而是让 AI 自己决议。 。。。。。AI 可以挪用函数把目今不主要的信息写入外部存储，，，，，，也可以在需要时把旧影象读回上下文窗口。 。。。。。这种自主管理能力让 AI 的影象系统跟我们是一样的。 。。。。。我们也不是把所有履历都时刻记在脑子里，，，，，，而是需要时才起劲回忆。 。。。。�； ；； ；；Ｉ杏� Zep、Second Me、Cognee 等一系列产品，，，，，，它们各有特色但殊途同归，，，，，，都是在模子的牢靠上下文窗口之外构建可扩展的外部影象层。 。。。。。第三种思绪叫做软提醒编码。 。。。。。这种要领不存储文本，，，，，，而是把提醒词编码成一连的可训练嵌入或键值对。 。。。。。像是 500xCompressor 这样的架构，，，，，，能通过软提醒编码实现了高达 480 倍的压缩率。 。。。。。这个手艺的实质是给 AI 发明一套 " 旗号 "。 。。。。。就像 " 今晚老地方 " 这句话一样，，，，，，这是只有你和你朋侪之间才懂的梗，，，，，，一个眼神、一个词就能想到一块去。 。。。。。软提醒编码也是这样，，，，，，用几个特殊 token 就能让模子追念起大段内容。 。。。。。这些特殊 token 在人类看来毫无意义，，，，，，但对模子来说，，，，，，它们是高度浓缩的信息载体。 。。。。。这种要领的压缩率远超前两种，，，，，，但也有显着的局限。 。。。。。这些编码后的 " 旗号 " 只对训练过的特定模子有用，，，，，，换个模子就不熟悉了。 。。。。。并且编码历程需要特另外训练本钱，，，，，，不像前两种要领那样即插即用。 。。。。。以是软提醒编码更适合那些恒久使用统一个模子、对压缩率要求极高的场景。 。。。。。这三种外挂式的解决计划各有千秋。 。。。。。压缩式影象管理实现简朴，，，，，，本钱低，，，，，，但压缩率有上限。 。。。。。外挂式影象系统容量险些无限，，，，，，但需要特另外数据库和检索机制。 。。。。。软提醒编码压缩率最高，，，，，，但无邪性最差。 。。。。。现实应用中，，，，，，许多产品会把这几种要领团结起来，，，，，，在差别场景下选择最合适的战略。 。。。。。但这些终究是 " 打补丁 "。 。。。。。它们在模子外部做文章，，，，，，没有触及问题的泉源。 。。。。。真正的突破，，，，，，需要从模子架构自己下手。 。。。。。02 ?从架构层面动刀子前面说的那些计划，，，，，，它们能缓解影象问题，，，，，，却无法根治。 。。。。。由于问题的泉源在 Transformer 架构自己是有缺陷的，，，，，，注重力机制的盘算重漂后是序列长度的平方。 。。。。。上下文窗口每扩大一倍，，，，，，盘算本钱就翻四倍。 。。。。。这不是工程优化能解决的，，，，，，需要从数学原理上重新设计。 。。。。。DeepSeek Sparse Attention（DSA）是这个偏向的代表性突破。 。。。。。DSA 在 2025 年随 DeepSeek-V3.2-Exp 一起宣布，，，，，，焦点头脑是 " 不是所有 token 都需要相互看 "。 。。。。。古板的全量注重力机制里，，，，，，每个 token 都要和序列中的所有其他 token 盘算注重力分数。 。。。。。这在短序列里没问题，，，，，，但当上下文窗口扩展到几十万 token 时，，，，，，盘算量就变得不可接受了。 。。。。。DSA 接纳两阶段设计：先用一个轻量级的 " 索引器 " 快速评估哪些 token 最相关，，，，，，然后只对这些精选出来的 token 做完整的注重力盘算。 。。。。。焦点注重力盘算从对所有 token 做精算，，，，，，酿成只对 top-k 候选做精算； ；； ；；；索引器仍要扫描候选历史，，，，，，但用更轻量的低维 / 低精度方法降低本钱。 。。。。。要害在于，，，，，，这种希罕化是动态的、基于内容的。 。。。。。不像有些要领只看牢靠窗口内的 token 或随机采样，，，，，，DSA 会凭证现实内容决议哪些 token 主要。 。。。。。说白了，，，，，，就是让 AI 先快速扫一遍所有内容，，，，，，找出跟目今问题最相关的那些部分，，，，，，然后只仔细看这些重点。 。。。。。就像你看书找资料一样，，，，，，你不可能逐字逐句读，，，，，，你会先翻目录和要害词，，，，，，定位到相关章节再去仔细阅读。 。。。。。这让它在大幅降低盘算量的同时，，，，，，险些不损失模子性能。 。。。。。在种种推理使命和智能体情形的测试中，，，，，，DSA 的体现和全量注重力基本持平。 。。。。。另一个主要偏向是混淆注重力架构。 。。。。。这个思绪以为，，，，，，不是所有层都需要腾贵的全量注重力。 。。。。。大部分层可以用更自制的线性注重力或状态空间模子，，，，，，只在要害位置保存全量注重力。 。。。。。阿里的 Qwen3-Next 在 2025 年 9 月宣布，，，，，，焦点是 Hybrid Attention 机制。 。。。。。它用 Gated DeltaNet 加 Gated Attention 替换古板全量注重力，，，，，，原生支持 256K 上下文，，，，，，理论上可扩展到 100 万 token。 。。。。。Gated DeltaNet 是一种线性注重力变体，，，，，，盘算重漂后从平方降到线性。 。。。。。但纯粹的线性注重力在某些使命上体现不如全量注重力，，，，，，以是 Qwen3-Next 接纳 3:1 的混淆比例。 。。。。。每 3 层用 Gated DeltaNet，，，，，，1 层用 Gated Attention。 。。。。。这个设计很智慧。 。。。。。线性注重力层认真处置惩罚大部分的上下文信息，，，，，，本钱低但能力稍弱。 。。。。。全量注重力层则在要害位置做细腻的全局建模，，，，，，本钱高但效果好。 。。。。。两者配合，，，，，，既包管了性能，，，，，，又大幅降低了盘算开销。 。。。。。官方数据显示，，，，，，Qwen3-Next-80B-A3B-Base 相比 Qwen3-32B-Base，，，，，，在凌驾 32K 上下文时有 10 倍推理吞吐优势。 。。。。。月之暗面的 Kimi Linear，，，，，，接纳 Kimi Delta Attention 加全局 MLA，，，，，，也是 3:1 比例的混淆架构。 。。。。。Kimi Delta Attention 实质上是对 Gated DeltaNet 的刷新。 。。。。。在 100 万 token 场景下，，，，，，KV cache 最多镌汰 75%，，，，，，解码吞吐最高提升 6 倍。 。。。。。这些混淆架构的配合点是，，，，，，他们都把长上下文处置惩罚从 " 每个 token 都相互看一遍 " 改成 " 大都层用更自制的影象状态，，，，，，少数层保存全局注重力 "。 。。。。�； ；； ；；；桓鏊捣�，，，，，，你开车得用导航吧？？？？？大部分时间你只需要看着前方蹊径和路标往前走，，，，，，这是 " 自制的影象状态 "。 。。。。。但到了重亨衢口，，，，，，有行人、有电摩托车、可能尚有适才爆发追尾的事故车，，，，，，这时间你就得仰面看整个路况、回忆来时的路、判断该往哪拐，，，，，，因此你需要 " 全局注重力 "。 。。。。。不是每一秒都要动用所有脑力，，，，，，而是只在要害节点才全力思索。 。。。。。这不是简朴的性能妥协，，，，，，这是在对注重力机制实质举行重新思索。 。。。。。AI 并不需要时刻记着所有细节，，，，，，只需要在要害决议点做全局审阅。 。。。。。然而当下最盛行的玩法，，，，，，还得是硬件与算法协同优化。 。。。。。再好的算法，，，，，，若是硬件跟不上，，，，，，也施展不出所有威力。 。。。。。英伟达在 GTC 2026 上宣布的 BlueField-4 CMX 平台就是这个偏向最具代表性的产品。 。。。。。这是一个专门为 " 百万级 token 上下文 " 时代设计的上下文影象存储平台。 。。。。。古板 GPU 的显存带宽虽然高，，，，，，但容量有限。 。。。。。当上下文窗口扩展到几十万甚至上百万 token 时，，，，，，KV cache 的巨细会凌驾单张 GPU 的显存容量。 。。。。。BlueField-4 CMX 通过专用的内存扩展硬件，，，，，，在坚持高带宽的同时大幅扩展容量。 。。。。。它接纳分层存储架构，，，，，，把热数据放在 GPU 显存，，，，，，温数据放在扩展内存，，，，，，冷数据放在系统内存或 SSD，，，，，，通过智能调理实现大容量支持。 。。。。。好比说 GPU 显存是你的事情台，，，，，，它空间有限。 。。。。。BlueField-4 CMX 就相当于在这个事情台旁边加了个置物架，，，，，，常用的工具放台面，，，，，，无意用的放第一层架子，，，，，，不常用的放更远的柜子。 。。。。。需要时系统自动帮你把工具拿过来，，，，，，你感受不到区别，，，，，，但现实上能放的工具多了几十倍。 。。。。。像亚马逊的 Trainium 芯片，，，，，，谷歌的 TPU，，，，，，现在 AI 芯片的开发商，，，，，，都会和大模子厂商配合研发下一代芯片，，，，，，其缘故原由就在于能让芯片专业对口，，，，，，知足模子的各项需求，，，，，，进而抵达更好的训练以及推理效果。 。。。。。03 ?影象，，，，，，AGI 最后一块拼图目今的 AI 影象系统缺乏人类影象的要害特征。 。。。。。人类影象有遗忘机制，，，，，，不主要的细节会自然淡化。 。。。。。人类影象有牢靠历程，，，，，，主要的履历会在