بررسی مدل های بنیادی زبانی و نقش حافظه اپیزودیک در هوش مصنوعی عامل محور (Agentic (AI

در سال های اخیر مدل های بنیادی زبانی Large Language Models به عنوان هسته ی اصلی هوش مصنوعی مولد تحول چشمگیری در درک و تولید زبان طبیعی ایجاد کرده اند. با این حال این مدل ها به دلیل ساختار ایستا و فقدان حافظه پایدار در مدیریت تعاملات بلندمدت و یادآوری تجربیات گذشته با چالش مواجه اند. هدف این پژوهش، بررسی مفهومی و تحلیلی نقش حافظه اپیزودیک در بهبود عملکرد مدل های زبانی بزرگ در محیط های عامل محور است. در این مطالعه با روش تحقیق، مروری مقالات علمی منتشر شده در بازه ی زمانی ۲۰۲۲ تا ۲۰۲۵ بررسی و سازوکارهای تلفیق حافظه با معماری ترنسفورمر تحلیل شده است. یافته ها نشان می دهد که افزودن ماژول های حافظه اپیزودیک به مدل های بنیادی سبب ارتقای قابلیت استدلال، حفظ زمینه گفت وگو و بهبود تصمیم گیری در عامل های هوشمند می شود. همچنین استفاده از چارچوب های عامل محور مانند React و MemGPT مسیرهای نوینی برای ایجاد هوش مصنوعی با تداوم شناختی و رفتارهای شبه انسانی فراهم کرده است. در پایان نتایج پژوهش نشان می دهد که ترکیب مدل های بنیادی با حافظه اپیزودیک می تواند زمینه ساز ظهور عامل های هوشمندی باشد که به جای پاسخ دهی منفعلانه، دارای تداوم شناختی، رفتار تطبیقی و قابلیت یادگیری تجربی هستند.

کلیدواژه ها:

مدل های زبانی بزرگ ، حافظه اپیزودیک ، هوش مصنوعی عامل محور ، ترنسفورمر ، مدل های بنیادی ، یادگیری عمیق