研究人员开发了一种名为 MemRL 的新技术，该技术使 AI 智能体无需昂贵的微调即可学习新技能，从而有可能彻底改变 AI 应用程序适应动态环境的方式。该框架由上海交通大学和其他机构的研究人员创建，它为智能体配备了情景记忆，使其能够检索过去的经验并将其应用于解决新的任务。

MemRL 允许智能体根据环境反馈不断改进其解决问题的策略。这种方法解决了 AI 中的一个关键挑战：稳定性-可塑性困境，该困境涉及保持现有知识（稳定性）和适应新信息（可塑性）之间的平衡。

在关键行业基准上进行的实验中，MemRL 的性能优于其他基线方法，包括检索增强生成 (RAG) 和其他记忆组织技术。在需要探索和实验的复杂环境中，这种优势尤为明显。研究团队表示，这些结果表明，MemRL 可能成为构建旨在在需求和任务不断变化的现实环境中运行的 AI 应用程序的关键组成部分。

MemRL 的开发是 AI 研究界更广泛趋势的一部分，该趋势侧重于为 AI 创建持续学习能力。持续学习旨在使 AI 系统能够像人类一样随着时间的推移进行学习和适应，而不会忘记先前获得的知识。RAG 是一种流行的技术，它通过从外部知识源检索相关信息来提高语言模型的准确性并减少幻觉。然而，MemRL 在复杂环境中表现出的卓越性能表明，在智能体 AI 方面取得了重大进展。

MemRL 的影响扩展到各个领域，包括机器人技术、自主系统和个性化 AI 助手。例如，配备 MemRL 的机器人可以通过回忆过去在类似环境中的经验，更有效地学习导航新环境。同样，AI 助手可以随着时间的推移适应用户不断变化的需求和偏好，而无需重新训练。

研究人员认为，MemRL 无需微调即可学习的能力可以显著降低在动态环境中部署 AI 应用程序的成本和复杂性。进一步的研究重点是将 MemRL 扩展到更复杂的任务，并探索其在不同应用领域中的潜力。该团队计划发布其实验中使用的代码和数据集，以促进该领域的进一步研究和开发。