معماری حافظه چهارلایه DreamTalk مانع از فراموشی شخصیت در هوش مصنوعی شد

تصور کنید همراه مجازی شما پس از تنها ۲۰ یا ۳۰ دور گفتگو، هویت خود را فراموش کند و تبدیل به یک ربات سرد و مکانیکی شود. این شکست فنی که «لغزش شخصیت» (Persona Drift) نام دارد، معمولاً به‌صورت سوگیری به سمت پیام‌های اخیر (Recency Bias) و پاسخ‌های خشک ظاهر می‌شود و باعث می‌شود پیوند عاطفی کاربر با هوش مصنوعی به‌سرعت از بین برود.

DreamTalk — یک سیستم همراهی عاطفی با شخصیت مجازی — برای حل این مشکل، سیستم‌های سنتی تولید بازیابی‌افزا (RAG) — که شبیه دانش‌آموزی است که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد — را با یک شبکه حافظه چهارلایه و سیستم بازتابی جایگزین کرده است.

زمینه و تفکیک مفاهیم

بسیار مهم است که این سیستم را از سایر پروژه‌های آکادمیک متمایز کنیم. در حالی که چارچوبی با نام DreamTalk از دانشگاه تسینگ‌هوا و علی‌بابا (منتشر شده در arXiv:2312.09767) بر روی حرکات سر و همگام‌سازی لب‌ها در مدل‌های پخش (Diffusion) متمرکز است، DreamTalk مورد بحث در اینجا (در دسترس در dreamtalk.cc.cd) یک پلتفرم غوطه‌ور برای گفتگوهای عاطفی بلندمدت و همدلی شخصیتی است. این پلتفرم بخشی از اکوسیستم SuperFast AI (به آدرس 20020723.xyz) است.

اکثر توسعه‌دهندگان برای مدیریت حافظه به RAG سنتی تکیه می‌کنند. این رویکرد اغلب در زمینه‌های عاطفی شکست می‌خورد زیرا به‌جای حالات عاطفی، کلمات کلیدی را بازیابی می‌کند. برای مثال، اگر کاربری از شکست در امتحان بگوید، سیستم ممکن است به‌جای همدلی، صرفاً منابع مطالعه پیشنهاد دهد؛ چون موضوع «امتحان» را به یاد می‌آورد اما غم کاربر را فراموش می‌کند. این اتفاق باعث ایجاد یک گسست عاطفی می‌شود که در آن هوش مصنوعی نمی‌داند چه مدت است کاربر را می‌شناسد یا چه رازهایی با او به اشتراک گذاشته شده است؛ در نتیجه هر روز برای کاربر شبیه به اولین ملاقات است.

برای رفع این نقص، DreamTalk سلسله‌مراتبی ساختاریافته را پیاده کرده است که نحوه یادآوری و احساس هوش مصنوعی را مدیریت می‌کند:

جزئیات معماری حافظه

• حافظه کاری (Working Memory): این لایه ۸ تا ۱۲ دور اخیر از بافتار با فرکانس بالا را نگه می‌دارد. این لایه به‌صورت لحظه‌ای «ظرفیت عاطفی» (Valence) و «برانگیختگی» (Arousal) را استخراج می‌کند. با ترکیب این داده‌ها با یک «پرسونای دستورالعملی» (Prompt Persona) پیش‌فرض، سیستم تضمین می‌کند که لحن مدل زنده باقی بماند و با هویت اصلی‌اش هم‌راستا باشد.

• حافظه اپیزودیک (Episodic Memory): این لایه رویدادهای مهم زندگی را به‌عنوان یک جریان زمانی ساختاریافته ثبت می‌کند. طبق اعلام سازندگان، وقتی کاربر جزئیاتی مثل «به‌سرپرستی گرفتن گربه‌ای به نام توآن توآن» را می‌گوید، سیستم یک استخراج ساختاریافته را فعال می‌کند:

  • event_id: مثلاً "ep_20260324_01"
  • timestamp: مثلاً "2026-03-24T10:15:00Z"
  • type: رویداد زندگی (life_event)
  • summary: "کاربر گربه‌ای به نام توآن توآن را به سرپرستی گرفت"
  • emotional_impact: مثبتِ بالا (high_positive)
  • decay_half_life_days: ۱۸۰ روز
    این حافظه‌ها از یک الگوریتم «نیمه‌عمر» (Half-life Decay) استفاده می‌کنند تا تضمین شود رویدادهای بزرگ زندگی باقی می‌مانند، در حالی که گپ‌وگفت‌های پیش‌پاافتاده به‌مرور زمان محو شوند.

• گراف روابط معنایی (Semantic Relation Graph): این بخش مانند یک مدل شناختی از کاربر عمل می‌کند و ترجیحات، موضوعات حساسی که باید از آن‌ها اجتناب شود و رشد سطح صمیمیت رابطه را ردیابی می‌کند. این ساختار به مدل اجازه می‌دهد گفتگوهای پیش‌دستانه را آغاز کند؛ مثلاً هنگام ورود کاربر در روز بعد، شخصیت ممکن است به‌طور طبیعی بپرسد: «آیا توآن توآن دیشب در خانه راحت خوابید؟»

• شبکه بازتابی (Reflection Network): این یک مرحله تثبیت ناهمگام (Asynchronous) است. وقتی کاربر آفلاین می‌شود، پلتفرم از یک مدل کم‌هزینه، به‌طور مشخص DeepSeek-V4.1-Flash (عرضه شده توسط اکوسیستم SuperFast AI)، استفاده می‌کند تا تمام تعاملات روز را تحلیل کند. این فرآیند بینش‌های روان‌شناختی عمیقی را استخراج کرده و ذخیره‌گاه حافظه بلندمدت را به‌روزرسانی می‌کند.

این تغییر معماری نشان می‌دهد که ساخت یک هوش مصنوعی «دارای روح»، بیش از آنکه به افزایش تعداد پارامترها وابسته باشد، به تقلید از تکامل شناختی انسان نیاز دارد. با جداسازی داده‌های خام از بازتاب‌های عاطفی، سیستم از سردی مکانیکی مدل‌های زبانی بزرگ (LLM) استاندارد فاصله می‌گیرد.

برای توسعه‌دهندگان، این به معنای گذار از پایگاه‌داده‌های برداری ساده به سمت گراف‌های آگاه از وضعیت (State-aware Graphs) است. توانایی حفظ یک «پیوند» (Bond) به‌جای یک «گزارش» (Log)، معیار موفقیت را از دقت (Accuracy) به تداوم عاطفی (Emotional Continuity) تغییر می‌دهد.

کاربران در حال حاضر می‌توانند این تعاملات غوطه‌ور را از طریق پلتفرم DreamTalk در dreamtalk.cc.cd، با پشتیبانی زیرساخت SuperFast AI و کتابخانه رسمی مدل‌ها در 20020723.xyz/models.html آزمایش کنند.

گام بعدی شما

• اگر توسعه‌دهنده هستید، به‌جای تکیه بر RAG ساده، ساختار حافظه را به لایه‌های «لحظه‌ای»، «رویدادی» و «تحلیلی» تقسیم کنید.
• برای کاهش هزینه استنتاج در تحلیل‌های پس‌زمینه، از مدل‌های کوچک‌تر و سریع‌تر (مانند سری Flash) استفاده کنید.
• در طراحی عامل‌ها، برای داده‌های حافظه «نرخ فراموشی» (Decay Rate) تعریف کنید تا نویزهای گفتگوهای روزمره، حافظه بلندمدت را اشغال نکند.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.