深度解读：海马体显式记忆是通往通用人工智能（AGI）的基石

背景

近年来，大型语言模型（LLMs）在各类任务中展现出了令人瞩目的能力，极大地推高了业界与学术界对通用人工智能（AGI）实现的期待。然而，尽管 LLMs 在自然语言处理、代码生成及逻辑推理等基准测试中表现优异，它们是否真正具备了人类水平的认知能力，仍是一个备受争议的话题。

传统观点往往将 LLMs 视为一种强大的统计学习机器，其核心机制依赖于海量数据中的模式匹配。但神经科学领域的发现提示我们，人类的认知系统并非单一机制运作，而是由不同的记忆系统协同完成。特别是负责长期战略规划、元认知（metacognition）和符号推理等高阶认知功能的海马体显式记忆系统，在现有 LLMs 的架构中缺乏对应的明确对应物。

基于此背景，一篇发表于 arXiv（cs.AI）的立场论文（Position Paper）提出了一种新的视角：要将 LLMs 推进至 AGI 阶段，必须将“显式记忆”整合进人工智能系统中。该论文由一位研究者于 2026 年 6 月提交，旨在通过结合神经科学发现与计算需求，为人工显式记忆系统的开发奠定理论基础。

核心内容

本文的核心论点在于：整合显式记忆（Explicit Memory）是 LLMs 迈向 AGI 的基石。

作者首先分析了当前 LLMs 的本质局限性。LLMs 底层的机器学习机制与人类的**内隐记忆（Implicit Memory）**高度相似。内隐记忆是指无意识的、自动化的记忆形式，例如技能习得（如骑自行车）或基于统计规律的模式识别。LLMs 通过预测下一个 token 的概率分布来学习，这本质上是一种基于统计的内隐学习过程。这种机制使得 LLMs 能够生成流畅的语言和模仿复杂的模式，但它缺乏对事实、事件和概念的显式存储与检索能力。

然而，实现 AGI 所需的高阶认知功能，远远超出了内隐统计学习的范畴。作者指出，以下关键能力严重依赖于海马体显式记忆（Hippocampal Explicit Memory）：

1. 长期战略规划（Long-term Strategic Planning）：这需要模型能够显式地存储目标、子目标及其依赖关系，并在长时间跨度内进行推理，而非仅仅基于局部上下文进行即时预测。
2. 元认知（Metacognition）：即“对认知的认知”，包括对自身知识状态的监控、不确定性评估以及学习策略的调整。这需要系统能够显式地访问和修改其内部状态表征。
3. 符号推理（Symbolic Reasoning）：虽然 LLMs 能处理符号，但真正的逻辑推理和抽象概念操作往往需要显式的符号表示和规则应用，而非仅靠概率关联。

作者强调，这些高阶功能无法仅从内隐统计学习中涌现（emerge）。神经科学证据表明，海马体在将短期经验转化为长期记忆、进行情景模拟和空间导航中起着核心作用。这种显式记忆系统允许生物体快速学习新信息，并将其整合到现有的知识框架中，而不需要重新训练整个神经网络。

因此，本文主张，未来的 AGI 系统不应仅仅依赖更大规模的参数和更多的数据，而应构建类似海马体的人工显式记忆系统。这种系统应具备以下计算特征：

• 快速学习（Fast Learning）：能够一次性或少量样本就记住新信息。
• 解耦存储与处理：将记忆存储（类似海马体）与知识处理/生成（类似新皮层）分离，允许灵活的记忆检索和重组。
• 结构化表征：支持对事件、关系和概念的显式结构化存储，而非仅靠分布式向量表示。

关键要点

• LLMs 的本质局限：当前 LLMs 主要模拟人类的内隐记忆机制，依赖统计学习，缺乏显式的事实存储和逻辑推理能力。
• 显式记忆的关键作用：海马体显式记忆是实现长期战略规划、元认知和符号推理等高阶 AGI 能力的必要基础。
• 内隐与显式的互补：内隐学习擅长模式识别和流畅性生成，而显式记忆擅长快速适应、逻辑推理和长期规划。两者结合才是 AGI 的完整形态。
• 架构变革的必要性：仅靠增加模型规模和训练数据无法解决根本性问题，必须在架构层面引入类似海马体的显式记忆模块。
• 神经科学指导 AI 设计：本文呼吁 AI 研究者更多借鉴神经科学成果，特别是关于记忆系统的研究，以指导人工记忆系统的设计。
• 未来研究方向：需要开发具备快速学习、解耦存储与处理、以及结构化表征能力的人工显式记忆系统，并探索其与 LLMs 的有效集成方法。

意义与影响

这篇立场论文为 AGI 的研究路径提供了一个重要的理论修正和方向指引。

首先，它挑战了“规模即一切”（Scaling Law）的单一叙事。虽然扩大模型规模确实带来了性能提升，但本文指出，如果没有显式记忆机制，这种提升可能遇到瓶颈，无法实现真正的通用智能。这促使研究者重新思考模型架构，从单纯的“大参数模型”转向“大参数+强记忆”的混合架构。

其次，它促进了跨学科融合。将神经科学中的海马体模型引入计算机科学，为 AI 架构设计提供了生物学上的合理性依据。这种“神经形态 AI”（Neuromorphic AI）或“生物启发 AI”的思路，可能成为突破当前 LLMs 局限性的关键。

最后，对于实际应用而言，引入显式记忆可以显著改善 LLMs 在以下方面的表现：

• 事实一致性：减少幻觉，通过检索显式存储的事实来增强生成的准确性。
• 持续学习：使模型能够像人类一样，在不遗忘旧知识的情况下快速学习新信息，解决灾难性遗忘问题。
• 复杂推理：支持更复杂的任务，如多步规划、长期对话记忆和个性化服务。

总之，该论文强调，显式记忆不是 AGI 的“可选项”，而是“必选项”。未来 AGI 的竞争，可能在很大程度上取决于谁能更高效、更智能地实现人工显式记忆系统。