Các AI agent dựa trên mô hình ngôn ngữ lớn đa phương thức (MLLM) đang cho thấy tiềm năng lớn trong việc giải quyết các tác vụ phức tạp trong môi trường vật lý. Tuy nhiên, để thực sự hỗ trợ cá nhân hóa, AI cần hiểu được các ngữ cảnh ngầm định từ những lần tương tác trước đó thay vì chỉ tuân theo các chỉ dẫn chung chung.
Diễn biến
Để giải quyết thách thức này, nhóm nghiên cứu đã giới thiệu POLAR — một khung làm việc tăng cường trí nhớ đa phương thức cho các agent có thân xác. POLAR tổ chức các tương tác trước đó thành một đồ thị tri thức đa phương thức, ghi lại cả 'trí nhớ ngữ nghĩa' (semantic memory) cho các khái niệm thị giác và ngữ cảnh cá nhân, lẫn 'trí nhớ tình tiết' (episodic memory) cho các trải nghiệm thực tế như quỹ đạo di chuyển của agent.
Khi thực hiện các nhiệm vụ mới, POLAR sẽ truy xuất các ký ức liên quan để giải mã yêu cầu hiện tại và dẫn dắt việc thực thi. Kết quả thử nghiệm trên nhiều nền tảng MLLM khác nhau cho thấy cơ chế này cải thiện đáng kể hiệu suất, đặc biệt là trong các kịch bản đòi hỏi suy luận qua nhiều lần tương tác hoặc theo dõi các thay đổi trong ngữ cảnh riêng biệt của người dùng theo thời gian.
Vì sao đáng chú ý
Khả năng cá nhân hóa là yếu tố then chốt để AI agent trở thành những trợ lý thực thụ trong đời sống hàng ngày, từ robot gia đình đến các hệ thống tự hành. Với các nhà phát triển tại Việt Nam, POLAR cung cấp một hướng đi mới trong việc xây dựng 'trí nhớ dài hạn' cho AI, giúp chúng không chỉ thông minh mà còn hiểu thói quen và sở thích riêng của chủ nhân. Việc sử dụng đồ thị tri thức để quản lý bộ nhớ cũng giúp tối ưu hóa việc truy xuất thông tin so với các phương pháp lưu trữ văn bản truyền thống.