|
Аннотация
|
В статье рассмотрены популярные направления исследований долговременной памяти в системах искусственного интеллекта, которые проводятся в Китае, Индии и странах Юго-Восточной Азии. Основой анализа стал корпус из 389 научных препринтов платформы arXiv за январь–сентябрь 2026 года. Прослеживаются три последовательные волны развития исследований, в частности переход от архитектур хранения к инструментам оценки памяти и далее к проблематике ее безопасности и защиты от отравления данных. Выделены восемь устойчивых направлений, включающих в себя управление памятью; иерархическую и графовую память; мультиагентную память; создание контрольных задач (бенчмарков), устойчивость к атакам извне и методы защиты ИИ-агентов; память, аналогичную работе мозга; память роботов, а также внутреннюю память самой LLM. Отдельно рассматривается прикладной смысл выявленных решений для российского рынка корпоративных ИИ-агентов, включая выбор между RAG и графовой памятью, оценку рисков вредоносных «инъекций» в память ИИ-агентов, стоимость внедрения и перспективы суверенизации отрасли.
This study examines the leading research directions in long-term memory for artificial intelligence systems across China, India, and Southeast Asia. The analysis draws on a corpus of 389 scientific preprints published on arXiv between January and September 2026. It identifies three successive waves of research, tracing the shift from memory storage architectures to memory evaluation methods and, ultimately, to security challenges, including data poisoning. The study identifies eight major research directions: memory management; hierarchical and graph-based memory; multi-agent memory; benchmarks for evaluating memory capabilities; resilience to external attacks and methods for protecting AI agents; brain-inspired memory; robotic memory; and the internal memory mechanisms of large language models (LLMs). The findings also have direct implications for the Russian enterprise AI agent market. They inform decisions on choosing between retrieval-augmented generation (RAG) and graph-based memory, assessing the risks of malicious memory injections, estimating implementation costs, and evaluating prospects for technological sovereignty in the sector.
|
