根据本周发布的一项研究，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。该框架由上海交通大学和其他机构的研究人员创建，为智能体配备了情景记忆，使他们能够检索过去的经验并为新任务设计解决方案。

MemRL 允许智能体根据环境反馈不断改进其问题解决策略。这种方法是人工智能研究界创建人工智能应用持续学习能力这一更大趋势的一部分。

在对关键行业基准进行的实验中，MemRL 的表现优于其他基线方法，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，这种优势尤其明显。研究结果表明，MemRL 可能成为构建旨在在需求和任务不断发展的动态、真实世界环境中运行的 AI 应用的重要组成部分。

这项开发解决了人工智能研究人员所说的“稳定性-可塑性困境”。这一挑战涉及创建能够适应新信息（可塑性）而不忘记先前学习的知识（稳定性）的 AI 系统。MemRL 提供了一种潜在的解决方案，它允许智能体存储和检索相关的过去经验，使他们能够在不破坏现有知识库的情况下适应新情况。

研究人员在他们的论文中表示：“MemRL 允许智能体利用环境反馈来不断改进其问题解决策略。”

这项研究的意义扩展到部署 AI 智能体的各个领域，包括机器人技术、自动驾驶和个性化医疗。通过使智能体能够实时学习和适应，MemRL 可以带来更强大、更高效的 AI 系统，从而能够处理现实世界的复杂性。

研究人员的下一步工作包括探索 MemRL 扩展到更复杂环境和任务的可行性。他们还计划研究如何将 MemRL 与其他学习技术相结合，以进一步增强 AI 智能体的能力。该研究突显了创建以类似于人类的方式学习和适应的 AI 系统的持续努力，为更智能、更通用的 AI 应用铺平了道路。