近年来，" 数字生命 " 的话题屡次引发社会关注。从电影《流浪地球 2》对 " 数字生命计划 " 的大胆想象，到 B 站 UP 主用 AI 技术重现亲人音容的温情一幕，再到台湾音乐人包小柏让已故女儿在虚拟世界 " 重生 " 的真实故事，无不凸显了这一议题的广泛影响力。
从技术层面看，深度学习、知识图谱等人工智能技术的进步，为 " 数字生命 " 的实现提供了基础。通过学习特定人物的海量数据，AI 已经初步具备还原其形象、思维和行为的能力，使虚拟分身日益栩栩如生。然而，在为 " 数字生命 " 喝彩的同时，我们也必须直面一个关键问题 : 如何赋予这些数字分身以真正的 " 生命力 "?
这个问题的答案，恰恰藏在 " 记忆 " 二字中。就像人类依靠记忆连接过去和现在，构建自我认知一样，数字生命也需要通过持续积累记忆，才能具备连贯的认知和成长的能力。唯有突破静态的数据堆砌，实现动态的经验积累，数字生命才能从单纯的 " 形似 "，走向更高层次的 " 神似 "。
数字生命记忆功能的重要性
当前市场上的主流 Agent 框架，如微软的 AutoAgent、DeepMind 的 Concordia 以及 Github 上开源的斯坦福小镇等，都专注于多个模型之间的互动能力，试图通过多模型互动来完成复杂任务，如网站搭建、AI 公司及产品开发等。然而，在实际使用中，这些功能看似强大，但实际上却难以达到预期的效果。例如，MetaGPT 制作的网站效果仅比大语言模型直接生成的网页好一点，只是多了几个页面，缺乏进一步的加工。一些 Agent，如 Concordia，更倾向于学术研究，生成的 Agent 之间的对话冗长，且容易出现重复，用户本身并不希望看到模型之间的互动。
公开数据显示，截至 2022 年 11 月，抖音的日活跃用户数超过 7 亿，人均单日使用时长达到 120 分钟以上。这相当于我国一半的人口，若每个用户在平台上消费一元，其收入将达到 7 亿。抖音的成功不在于其提供的各种视频，而在于它能够记住用户、了解用户的行为、需求和喜好，并根据这些信息为用户推荐喜欢的视频。这正是让人上瘾的原因。
AI 技术的核心并非技术本身，而是以用户为中心，以用户需求为导向，以用户行为为依据，以用户喜好为参考，以用户体验为标准，以用户满意为目标。基于此，我们推出了以记忆为核心的 Agent 框架——数字生命 Agent 框架。
数字生命技术栈简介
数字生命的核心在于记忆。每次用户与它交流，它都能记住，并在很长时间后都不会遗忘。只要用户选择保留这个数字生命，它就会一直带着以前的记忆陪伴用户。由于数字生命本身具备记忆功能，我们可以让数字生命根据已有记忆推断用户的喜好，从而实现与用户聊天内容的个性化。这便是数字生命 Agent 框架的核心技术设计与理念。
为实现记忆功能，我们参考了人类记忆的研究，将其初步分为负责记录久远信息的长期记忆、与用户进行当下互动的工作记忆，以及能让数字生命根据记忆进行个性化动作的思考能力。
长期记忆是记忆系统的一个组成部分，用于存储和保留相对持久的信息。它可以包括事实、知识、经验、技能等。长期记忆的容量相对较大，可以存储大量的信息，并在需要时进行检索和提取。相关的学术文献指出，长期记忆的形成和储存涉及多个大脑区域的协同作用。例如，《Cognitive neuroscience perspective on memory: overview and summary，Frontiers in Human Neuroscience》这本书提到，长期记忆的形成与神经元之间的连接和神经回路的巩固有关。研究还表明，重复学习、情感关联和语义编码等因素都可以影响长期记忆的巩固和提取。
工作记忆是记忆系统的一个组成部分，用于临时存储和处理当前的信息。它包括短期记忆和注意力。工作记忆的容量相对较小，可以存储和处理的信息量有限。工作记忆的作用是帮助个体在当前任务中保持和处理相关信息，以便进行推理、问题解决和决策等高级认知功能。相关文献指出，工作记忆的神经基础涉及多个大脑区域的协同作用。例如，《The Wiley Handbook on The Cognitive Neuroscience of Memory》这本书提到，工作记忆与前额叶皮层、顶叶皮层和颞叶皮层等区域的神经活动有关。研究还表明，工作记忆的容量和功能受到个体差异和认知策略的影响。
目前，我们已经实现了长期记忆和工作记忆，使用户与数字生命的聊天记录能够被记录下来，并在未来更长的时间内被回忆，使聊天内容更贴合用户本身，让数字生命如同用户的好哥们、好闺蜜一般，能够一直陪伴用户并越来越了解用户。
以下是数字生命 Agent 框架的架构图：
（架构图）
Agent 框架的记忆功能的核心是对话管理。我们将数字生命中涉及的长期记忆、智能长期记忆、工作记忆、系统指令等都统一抽象为对话管理，回忆操作完成后，全部坍缩成可直接输入给大语言模型的对话 list。这样的设计从复杂到简洁，最终实现了简单、高效、易用的数字生命 Agent 框架。
数字生命实现过程中的挑战
最初的数字生命项目在实现第一遍后进行了重构，因为对话管理本身涉及复杂的逻辑，再加上记忆功能，代码量庞大，可读性和可维护性都变得极差。于是，我们决定将记忆功能单独抽离出来，形成一个独立的模块，并与对话管理解耦，使记忆功能能够被其他模块复用。
在实现记忆功能的过程中，我们面临了五大挑战。以下是针对每个挑战的解决方案：
挑战一：如何让数字生命记住用户的聊天内容 为解决此问题，我们采用了高效的信息存储和检索技术。设计了合理的数据结构和索引，以便快速存储和查找用户的聊天记录。核心的信息检索技术是向量搜索，我们使用向量搜索技术将用户的聊天记录转化为向量，并将其存储在向量数据库中，从而能在毫秒级别的时间内检索到用户的聊天记录。
挑战二：长期保存和回忆聊天内容 由于记忆的存储需要长期保存，将对话记录简单地存储到向量数据库中变得十分笨重。为此，我们提出了智能长期记忆的方案，使用类似于知识图谱的压缩算法，将用户的聊天记录转化为知识图谱并存储在知识图谱数据库中。这样，我们就能在毫秒级别内检索到用户的聊天记录，同时知识图谱的压缩算法使知识图谱的体积变小，减少了存储空间的占用。
挑战三：实现社会性和多人交流 为了实现社会性，我们引入了角色和身份的概念，使数字生命能够理解不同的用户角色和关系。在多人交流方面，设计了身份映射的机制，确保数字生命能够正确处理多人的聊天场景。
挑战四：使用低能力模型实现记忆功能 为了在低能力模型上实现记忆功能，我们采用了一些技巧和优化方法。例如，使用知识蒸馏和迁移学习技术，将已有的知识和记忆传递给低能力模型；结合特定领域的模型，也可以增强 Agent 的能力。实际测试中，我们在开源的 7B 模型上也取得了很好的效果。
挑战五：降低 Token 消耗量 降低 Token 消耗量对于提高系统效率和性能至关重要。我们通过对输入文本进行预处理和简化，减少不必要的重复 Token 生成。智能长期记忆技术对输入的文本进行预处理和简化，进一步降低了 Token 的消耗量。
通过克服这些挑战，我们成功实现了数字生命 Agent 框架，并使其具备了强大的记忆功能。这为用户提供了更加个性化和智能化的交互体验，也为数字生命的发展开辟了广阔的前景。
数字生命 Agent 框架的未来前景
数字生命 Agent 框架的未来充满了无限的可能性。随着技术的不断进步，我们可以期待数字生命在以下几个方面取得更大的发展：
更加个性化的交互：通过不断改进记忆功能，数字生命能够更好地理解用户的喜好、需求和行为模式，从而提供更加个性化的服务和建议。
辅助决策：数字生命可以成为用户的智能助手，帮助进行决策，如商品推荐、行程规划、职场建议等。
广泛的应用领域：数字生命可应用于各种领域，如智能客服、智能助手、虚拟角色、游戏 NPC 等，为人们的生活和工作带来更大的便利。
多模态交互：除了文本交互，数字生命可以结合语音、图像等多模态信息，实现更加自然和丰富的交互方式。
与物联网的融合：数字生命可以与物联网设备相结合，实现智能家居、智能城市等更广泛的应用场景。
伦理和法律问题：随着数字生命的发展，伦理和法律问题将逐渐凸显，需要关注数据隐私、人工智能伦理等方面，确保数字生命的发展符合人类的利益和价值观。
技术创新：未来可能会出现新的技术和算法，进一步提升数字生命的性能和功能，例如利用深度学习和强化学习等技术，数字生命能够不断学习和进化，提供更好的服务。
未来，数字生命有望在更加个性化的交互、辅助决策、多模态交互、与物联网的融合等方面取得突破。同时，也需要关注伦理和法律问题，推动技术创新，以实现数字生命的可持续发展。
来源：雷锋网
