Episodic Memory

了解情景记忆如何帮助 AI 系统回忆过往经验。探索它在强化学习以及使用 Ultralytics YOLO26 进行追踪中的作用。

情景记忆代表了系统存储、检索和利用特定过去经历或事件的能力。该概念源于认知心理学，指代对特定时间和地点的个人经历的回忆；在人工智能 (AI) 中，它指代允许模型记住过去不同状态而非仅仅是广义规则的架构。在现代机器学习 (ML) 中，实现这种类型的记忆使智能体和模型能够回顾特定的先前交互，从而提高在动态环境和复杂决策任务中的表现。

Link to this section情景记忆与语义记忆的对比#

要全面掌握 AI 中使用的记忆类型，将情景记忆与语义记忆进行比较至关重要。虽然情景系统捕获特定实例的“何事、何地和何时”（例如自动智能体记住在最近的模拟中撞到的特定障碍物），但语义记忆存储关于世界的通用事实知识，例如支配该模拟的物理规则。在深度学习 (DL) 中，网络的权重通常封装了语义知识，而外部缓冲区或记忆库通常用于保存情景痕迹。

Link to this section实际应用#

整合情景能力使 AI 系统能够基于独特的历史事件做出高度情境化的决策。两个主要的现实世界应用包括：

强化学习： 算法经常使用一种称为“经验回放”的技术，即存储特定的过去情节并在训练期间反复采样。这种机制防止了灾难性遗忘，并帮助智能体从罕见但信息量极大的过去事件中学习。领先的 AI 研究实验室，例如 Google DeepMind，大量利用情景控制来加速智能体在复杂、动态环境中的学习。
目标追踪： 在计算机视觉 (CV) 中，情景记忆对于在长视频序列中维持对象的身份至关重要。如果对象被暂时遮挡，像 Ultralytics YOLO26 这样的模型可以在概念上依赖情景特征——即存储来自先前帧的独特视觉特征——以在对象重新出现时正确地重新识别它。这显著增强了智慧城市交通管理等应用。

Link to this section区分相关的记忆概念#

了解情景架构如何融入更广泛的 AI 格局，需要将其与类似的运作记忆类型区分开来：

上下文窗口： 上下文窗口限制了 Transformer 模型一次处理多少即时序列数据。然而，情景记忆充当了一个外部存档，可以检索超出活动窗口之外的特定过去事件。
KV Cache： KV 缓存是一种计算优化，用于通过存储最近的注意力状态来加速 token 生成。情景系统更具持久性，它们根据相关性而非仅仅是即时的序列接近度来有选择地召回实例。
检索增强生成 (RAG)： 虽然 RAG 从数据库中检索外部语义文档，但情景检索侧重于 AI 智能体自身的过去操作历史和特定的用户交互。

Link to this section代码示例：模拟情景检索#

以下 Python 代码片段使用了 PyTorch functional API 来演示 AI 智能体如何查询情景记忆库。通过使用余弦相似度将当前状态与存储的过去经验进行比较，智能体检索最相关的历史情景以为其下一个动作提供参考。

import torch
import torch.nn.functional as F

# Simulate stored episodic memory: 5 past events, each with a 128-dimensional embedding
episodic_memory = torch.randn(5, 128)

# Current state embedding (e.g., what an AI agent sees right now)
current_state = torch.randn(1, 128)

# Compute cosine similarity to find the most relevant past episode
similarities = F.cosine_similarity(current_state, episodic_memory)
best_match_idx = torch.argmax(similarities).item()

print(f"Most relevant past episode retrieved: Index {best_match_idx}")