人工智慧向人腦學習：M2I記憶框架打造更高效、更聰明的AI系統

一項最新研究引入了受到人類記憶啟發的人工智慧框架「M2I」，試圖突破目前大型AI模型的侷限性，如效率低落、高耗能及推理能力不足等。透過模擬人腦的記憶機制，這項研究旨在建構能夠持續學習、自我調整與動態處理資訊的機器。

這篇發表於《工程學》（Engineering）期刊的論文指出，受人類記憶啟發的人工智慧架構，可讓機器具備更高效率、更強的適應性與更優的推理能力。研究團隊希望藉此為開創更高效、更具認知能力的AI系統奠定基礎，並克服如ChatGPT等當前大型模型所面臨的核心限制。

儘管大型模型在許多應用上展現出驚人的性能，但它們仍存在明顯問題，包括對大量資料與計算資源的依賴、容易出現「災難性遺忘」、以及邏輯推理能力有限。研究指出，這些問題多源自於目前人工神經網路的設計方式、訓練流程，以及過度依賴資料驅動的推理方法。

為了解決這些挑戰，研究人員提出「機器記憶」（Machine Memory）的概念——一種多層次、分散式的網路記憶結構，可將外部資訊轉換成機器可讀、可運算的格式。該結構支援動態更新、時間空間聯結，以及模糊雜湊式的存取方式。基於這套記憶架構，團隊構建出「M2I」框架，其由表徵、學習與推理三大模組組成，透過兩組交互循環運作。

M2I涵蓋四個核心研究面向：

機器記憶的神經機制：探討人腦中神經系統的先天結構與可塑性，如何促進智力發展。
聯想式表徵（Associative Representation）：模仿人類記憶的組織與檢索方式，透過抽象與具體的連結、時間與空間的聯結，進行資訊的編碼與重建。
持續學習（Continual Learning）：為解決AI常見的遺忘問題，M2I提供一種即便在低功耗條件下也能實現的持續學習能力，使系統能在不丟失舊知識的前提下學習新知。
協同推理（Collaborative Reasoning）：整合直覺與邏輯推理，提升AI推論過程的效率與可解釋性。

在每個面向，研究人員均回顧了現有挑戰與最新進展。例如，如何從人腦可塑性中學習設計機器架構、如何建立具關聯性的資料表示方式、以及如何建構不依賴遺忘的終身學習流程。

M2I框架的提出，為人工智慧的下一階段發展提供了全新視角。若能成功實作，它將促進AI系統在複雜任務中的表現與環境適應能力，並可能徹底改變AI未來的學習與推理方式。

完整研究可參見《Engineering》期刊原文，DOI：10.1016/j.eng.2025.01.012。