Самообучающаяся память для агентов

Популярная ментальная модель в области ИИ заключается в том, чтобы рассматривать агента как работника. Новая возможность может быть эквивалентна «недавнему выпускнику вуза» или «аналитику второго года работы». Это не лучший способ восприятия возможностей ИИ, но он иллюстрирует критически важную концепцию ИИ в работе: при приеме на работу любого сотрудника вы ожидаете, что он будет учиться и развиваться в процессе деятельности.

Агенты ИИ должны делать то же самое. Это требует более пристального внимания к тому, что на самом деле означает «память» в ИИ.

Представляем Brain

Сегодня мы запускаем совершенно новый подход к памяти в ИИ. Мы называем его Brain.

Brain — это самообучающаяся система памяти. Она создает контекстный граф работы, выполняемой Computer. Через установленные промежутки времени, например, в ночное время, Brain анализирует контекстный граф и самостоятельно обучается тому, как выполнять работу более эффективно.

Чем больше работы вы выполняете, тем лучше и эффективнее Brain делает ваш Computer.

Более эффективная модель памяти для ИИ

Существуют две оси значимости памяти в ИИ. Первая — это предмет памяти, а вторая — ее назначение.

Традиционно память ИИ была сосредоточена на вас, пользователе. На ваших предпочтениях, вкусах, стилях работы, контактах, роли и многом другом. Brain предлагает гораздо более эффективную модель для ИИ-агентов: Brain запоминает, что делал агент. Он запоминает, что сработало, а что нет, и какие исправления были внесены в работу. Он учится выполнять работу лучше.

Во-вторых, память ИИ о пользователе служит цели помочь вам почувствовать большую вовлеченность в работу с ИИ-агентом. Рабочая память, подобная Brain, служит цели помочь агенту лучше справляться со своей работой. Это важнейшее назначение памяти. Вместе этот подход к памяти со временем повышает производительность Computer. Каждый день Computer с Brain имеет лучшую отправную точку для каждой новой задачи. Это происходит потому, что Brain создает актуальную карту того, что пользователь, скорее всего, надеется достичь, на основе прошлых сеансов, того, что сработало, а что нет.

Это означает, что Computer может быстрее находить ответы, получать доступ к наиболее надежным источникам и избегать траты времени и токенов.

Рекурсивное самосовершенствование

Brain становится лучше по мере использования вами Computer. Агенты становятся более эффективными в обновлении контекста, изучая проекты, коннекторы, артефакты и другие источники, которые приводят к наилучшим результатам.

Они также учатся на своих ошибках, запоминая, когда пользователь вносил исправления или когда источник оказывался тупиковым. Это приводит к меньшему количеству итераций, меньшему количеству обращений к модели и более качественным результатам.

Этот цикл обратной связи — то, что делает Brain постоянно самосовершенствующейся системой.

Для пользователей агенты становятся лучше в понимании контекста, необходимого для выполнения работы. Это также означает, что текущее использование токенов — это инвестиция в более эффективное использование токенов в будущем.

Контекстный граф

Brain формирует живой контекстный граф для Computer, создавая отслеживаемый граф, который помогает Computer понимать мир пользователя, учиться на их работе и применять эти знания к будущим задачам.

Контекстный слой принимает форму wiki-системы LLM, которая автоматически загружается в песочницу агента. Страницы wiki-системы LLM пользователя отражают идеи, людей, проекты и другие элементы, составляющие их мир, позволяя Computer перемещаться по этой сети личной информации.

Wiki-система обновляется системой Brain постепенно в ночное время, по мере синтеза сеансов пользователя, результатов работы коннекторов, изменений в исходных документах и внесенных исправлений.

Этот постоянно обновляемый контекст дает Computer более точный сигнал о том, что делать, где искать и как предоставлять результаты для пользователя.

Улучшенная производительность

Развернуть

Результаты ранних измерений показывают, что Brain повышает корректность ответов на 25% в задачах, которые Computer уже выполнял ранее. Полнота ответов возрастает на 16%.

Те же результаты показывают, что Brain сокращает затраты на задачи, требующие исторического контекста, на 13%. Результаты людей, использующих Brain дольше, улучшаются по мере того, как агенты изучают их мир.

Brain также демонстрирует свою работу, как и другие результаты, генерируемые Perplexity. Каждая запись в памяти содержит ссылки на сеанс, файл или источник, из которого она была получена.

Развитие проактивного ИИ

Только благодаря постоянному обучению Computer становится тем проактивным ИИ, который запрашивают у нас пользователи и компании. Агенты учатся и запоминают работу, а также способы ее улучшения.

Frontier AI — это индивидуальная система, которую вы создаете для ИИ в своей организации. Когда агенты активно учатся на нашей работе, они могут определять возможности, о которых мы не спрашивали, или отмечать проблему до того, как кто-либо ее заметит.

Эта версия Brain — только начало. Мы скоро анонсируем новые возможности.

Brain развертывается сегодня для подписчиков Max и Enterprise Max в рамках предварительной исследовательской версии.