Scaling?已死，記憶當(dāng)立：谷歌Google Research推出嵌套學(xué)習(xí)讓大模型真正像大腦

2017年谷歌團(tuán)隊(duì)的《Attention is All You Need》提出 Transformer 架構(gòu)，徹底改寫了大語(yǔ)言模型的命運(yùn)，被視為開(kāi)啟“智能革命”的序章。

而如今，Google Research 的新作《Nested Learning: The Illusion of Deep Learning Architectures》再次引發(fā)行業(yè)震動(dòng)，被不少人稱為Transformer 的“精神續(xù)作”，甚至被譽(yù)為 V2 版的基礎(chǔ)范式突破。

過(guò)去十余年，深度學(xué)習(xí)的主流路徑幾乎都圍繞著“層疊結(jié)構(gòu) + 梯度優(yōu)化”展開(kāi)。我們不斷堆疊更多的層，使用更復(fù)雜的優(yōu)化器，試圖讓模型擁有更強(qiáng)的表達(dá)力。

然而，這條路徑逐漸顯露出局限，層數(shù)增加并不必然提升計(jì)算深度，優(yōu)化器的選擇往往導(dǎo)致收斂停留在次優(yōu)解，模型在面對(duì)新任務(wù)時(shí)難以快速適應(yīng)，更談不上持續(xù)學(xué)習(xí)，深度學(xué)習(xí)的“縱向擴(kuò)展”已經(jīng)逼近瓶頸。

大語(yǔ)言模型的現(xiàn)狀更像是一種“短期記憶的幻覺(jué)”。它們?cè)谏舷挛拇翱趦?nèi)表現(xiàn)出驚人的 in-context 學(xué)習(xí)能力，但一旦窗口關(guān)閉，信息便如同被遺忘。

就像患有“失憶癥”的人，模型只能活在即時(shí)的當(dāng)下，無(wú)法真正積累長(zhǎng)期記憶。這種缺陷讓人們開(kāi)始追問(wèn)：如果 AI 要真正像人腦一樣進(jìn)化，它必須突破層疊架構(gòu)的局限，找到一種能夠持續(xù)記憶、不斷自我更新的全新范式。

這正是嵌套學(xué)習(xí)（Nested Learning）提出的背景。研究團(tuán)隊(duì)由 Google Research 的核心科學(xué)家與學(xué)術(shù)合作者組成：其中包括長(zhǎng)期領(lǐng)導(dǎo) Google 算法研究的 Vahab Mirrokni，優(yōu)化理論專家 Meisam Razaviyayn，專注表示學(xué)習(xí)與神經(jīng)科學(xué)啟發(fā)的 Ali Behrouz，以及在記憶模塊與算法設(shè)計(jì)上有深厚積累的 Peilin Zhong。可以說(shuō)，這是一支兼具理論深度與工程經(jīng)驗(yàn)的跨界團(tuán)隊(duì)，他們?cè)噲D用一種全新的學(xué)習(xí)哲學(xué)，回答“AI 如何擁有記憶”的世紀(jì)之問(wèn)。

01

嵌套學(xué)習(xí)（Nested Learning, NL）范式

嵌套學(xué)習(xí)的核心思想，是把模型與訓(xùn)練過(guò)程統(tǒng)一為一組嵌套、多層次、并行的優(yōu)化問(wèn)題。傳統(tǒng)深度學(xué)習(xí)往往把架構(gòu)與優(yōu)化分離，訓(xùn)練過(guò)程被視為外部工具，而 NL 則認(rèn)為兩者本質(zhì)上是同一個(gè)系統(tǒng)的不同層級(jí)。每個(gè)組件都有自己的上下文流與梯度流，像是一個(gè)個(gè)獨(dú)立的記憶單元，在不同層次上壓縮信息并傳遞給更高層。

圖1：大腦中統(tǒng)一和可重用的結(jié)構(gòu)以及多時(shí)間尺度的更新是解鎖人類持續(xù)學(xué)習(xí)的關(guān)鍵組成部分。嵌套學(xué)習(xí)（NL）允許對(duì)大腦的每個(gè)組成部分進(jìn)行多時(shí)間尺度更新，同時(shí)表明眾所周知的架構(gòu)，如Transformers，實(shí)際上是具有不同頻率更新的線性層。

這種設(shè)計(jì)直接借鑒了人腦的多時(shí)間尺度更新機(jī)制。我們知道，腦電波的不同頻率——δ波、θ波、α波、β波、γ波——分別對(duì)應(yīng)記憶鞏固、注意力、感知與思考等不同認(rèn)知功能。

NL 將這一理念引入人工智能，不同層級(jí)的參數(shù)以不同頻率更新，形成一種分布式的記憶譜系。高頻層負(fù)責(zé)快速適應(yīng)，低頻層負(fù)責(zé)長(zhǎng)期積累，從而實(shí)現(xiàn)類似人腦的持續(xù)學(xué)習(xí)。

更重要的是，NL 打破了傳統(tǒng)深度學(xué)習(xí)的“黑箱”訓(xùn)練模式。過(guò)去，我們只能看到層疊結(jié)構(gòu)的表面，而內(nèi)部的梯度流與優(yōu)化過(guò)程被隱藏在算法背后。嵌套學(xué)習(xí)則讓這些過(guò)程透明化，揭示了層級(jí)之間的關(guān)系與信息流動(dòng)方式。它不僅是一種新的架構(gòu)，更是一種新的認(rèn)知框架，讓我們重新理解“學(xué)習(xí)”與“優(yōu)化”的統(tǒng)一性。

在這一范式下，AI 不再只是一個(gè)靜態(tài)的預(yù)測(cè)機(jī)器，而是一個(gè)能夠在多層次、多頻率下不斷自我更新的動(dòng)態(tài)系統(tǒng)。它的目標(biāo)不再只是“更深的網(wǎng)絡(luò)”，而是“更會(huì)記憶、更能進(jìn)化”的智能體。

02

優(yōu)化器與架構(gòu)的新視角

在嵌套學(xué)習(xí)的框架下，優(yōu)化器不再只是訓(xùn)練過(guò)程中的“工具”，而是被重新賦予了記憶的角色。過(guò)去我們習(xí)慣把 Adam、Momentum、AdaGrad等優(yōu)化算法看作是單純的梯度更新方法，但在 NL 的視角里，它們其實(shí)是“關(guān)聯(lián)記憶模塊”，通過(guò)壓縮梯度信息來(lái)保存訓(xùn)練過(guò)程中的經(jīng)驗(yàn)。或者說(shuō)，優(yōu)化器本身就是一種記憶機(jī)制，它決定了模型如何在不同層級(jí)上積累和傳遞知識(shí)。

這種重新解讀帶來(lái)了新的啟發(fā)：如果優(yōu)化器是記憶模塊，那么我們完全可以設(shè)計(jì)更具表現(xiàn)力的優(yōu)化器，讓它們?cè)诓煌l率和上下文中更好地壓縮信息。于是，研究團(tuán)隊(duì)提出了兩種新型優(yōu)化器。

圖2：嵌套學(xué)習(xí)范式，將機(jī)器學(xué)習(xí)模型及其訓(xùn)練過(guò)程表示為一組嵌套優(yōu)化問(wèn)題。（左）混合架構(gòu)示例。雖然深度學(xué)習(xí)視角，作為NL的扁平圖像，不能提供關(guān)于塊中計(jì)算深度的見(jiàn)解，但NL透明地表示了所有內(nèi)部梯度流。（右）神經(jīng)學(xué)習(xí)模塊：一個(gè)學(xué)習(xí)如何壓縮自身上下文流的計(jì)算模型。例如，第一級(jí)對(duì)應(yīng)于模型最外層的循環(huán)訓(xùn)練，通常稱為“預(yù)訓(xùn)練”步驟。

其一是Delta Gradient Descent (DGD)，它的更新不僅依賴當(dāng)前輸入，還考慮到權(quán)重的狀態(tài)，從而突破了傳統(tǒng)優(yōu)化器對(duì)數(shù)據(jù)獨(dú)立同分布的假設(shè)。DGD 的設(shè)計(jì)讓模型能夠捕捉樣本之間的依賴關(guān)系，更貼近真實(shí)世界的動(dòng)態(tài)數(shù)據(jù)流。

另一種是Multi-scale Momentum Muon (M3)，它引入了多頻率的動(dòng)量項(xiàng)，支持連續(xù)譜記憶。傳統(tǒng)的動(dòng)量?jī)?yōu)化器往往只在單一時(shí)間尺度上平滑梯度，而 M3 則在不同頻率上同時(shí)進(jìn)行記憶管理：高頻動(dòng)量負(fù)責(zé)快速反應(yīng)，低頻動(dòng)量負(fù)責(zé)長(zhǎng)期積累。這種設(shè)計(jì)與嵌套學(xué)習(xí)的多時(shí)間尺度理念高度契合，讓優(yōu)化器本身成為一個(gè)分布式的記憶系統(tǒng)。

與此同時(shí)，架構(gòu)也被重新審視。在 NL 的哲學(xué)中，RNN、Attention、MLP 等不同模塊不再是孤立的功能單元，而是可以統(tǒng)一解釋為不同層級(jí)的嵌套優(yōu)化問(wèn)題。

RNN的循環(huán)、Attention 的上下文壓縮、MLP 的參數(shù)更新，都可以看作是在各自的層級(jí)上進(jìn)行記憶與優(yōu)化。這樣一來(lái)，架構(gòu)與優(yōu)化器之間的界限被打破，它們共同構(gòu)成了一個(gè)多層次的學(xué)習(xí)系統(tǒng)，每一層既是計(jì)算單元，也是記憶單元。

這種視角的轉(zhuǎn)變意義重大。它讓我們不再把“訓(xùn)練”與“架構(gòu)”割裂開(kāi)來(lái)，而是把它們統(tǒng)一在一個(gè)嵌套的系統(tǒng)中。優(yōu)化器不只是更新參數(shù)的工具，而是記憶的載體；架構(gòu)不只是堆疊的層，而是嵌套的優(yōu)化問(wèn)題。兩者結(jié)合，形成了一個(gè)能夠在不同頻率和上下文中持續(xù)學(xué)習(xí)的智能體。

03

記憶系統(tǒng)的重構(gòu)

如果說(shuō)深度學(xué)習(xí)的第一階段是“堆疊層數(shù)”，第二階段是“放大規(guī)模”，那么嵌套學(xué)習(xí)所揭示的第三階段，便是對(duì)記憶系統(tǒng)的徹底重構(gòu)。過(guò)去我們習(xí)慣用一種二元?jiǎng)澐謥?lái)理解智能體的記憶，短期記憶負(fù)責(zé)即時(shí)反應(yīng)，長(zhǎng)期記憶負(fù)責(zé)知識(shí)積累。這樣的框架簡(jiǎn)單直觀，卻也過(guò)于粗糙，無(wú)法解釋大模型在持續(xù)學(xué)習(xí)中的種種缺陷。

嵌套學(xué)習(xí)提出了一個(gè)全新的視角——連續(xù)譜記憶系統(tǒng)（Continuum Memory System, CMS）。在這一設(shè)計(jì)中，記憶不再是“短期與長(zhǎng)期”的二分，而是一個(gè)跨頻率的連續(xù)譜。

不同頻率的神經(jīng)元承擔(dān)不同的記憶功能，高頻神經(jīng)元像是閃電般的反應(yīng)器，能夠快速適應(yīng)新輸入，但存儲(chǔ)時(shí)間有限；低頻神經(jīng)元?jiǎng)t像是深埋的檔案庫(kù)，負(fù)責(zé)長(zhǎng)期鞏固與穩(wěn)定知識(shí)。兩者之間形成互補(bǔ)，構(gòu)建出一個(gè)既能快速學(xué)習(xí)，又能長(zhǎng)期保留的動(dòng)態(tài)記憶網(wǎng)絡(luò)。

更令人著迷的是，CMS 引入了循環(huán)恢復(fù)機(jī)制。在傳統(tǒng)模型中，一旦信息被遺忘，幾乎無(wú)法再被激活。而在 CMS 的設(shè)計(jì)里，遺忘并非終結(jié)，而是暫時(shí)的沉睡。通過(guò)多頻率的交互，部分被遺忘的知識(shí)可以重新被喚醒，形成一種“記憶回環(huán)”。這意味著模型的知識(shí)并不是線性消失，而是可以在不同層級(jí)間循環(huán)流動(dòng)，帶來(lái)更強(qiáng)的魯棒性與持續(xù)性。

這種理念顯然是受到了類腦啟發(fā)。人腦的神經(jīng)可塑性讓我們能夠在受損或缺失的情況下重新組織功能，甚至在半個(gè)大腦被切除的情況下依然保持認(rèn)知能力。

嵌套學(xué)習(xí)借鑒了這種“結(jié)構(gòu)可重用性”，讓記憶不再依賴單一模塊，而是分布在整個(gè)系統(tǒng)中。，模型的記憶不再是孤島，而是一個(gè)分布式、可重構(gòu)的網(wǎng)絡(luò)。

圖3：在基于Transformer的骨干網(wǎng)中比較FFN（例如MLP）與線性注意力的示例，通過(guò)梯度下降進(jìn)行優(yōu)化。紅色分量是第一級(jí)（頻率為1）中的塊，而藍(lán)色分量是第二級(jí)（頻率). 具有可學(xué)習(xí)初始記憶狀態(tài)的線性注意力（稱為線性注意力++）與MLP層相同，但具有上下文學(xué)習(xí)能力和對(duì)輸入序列的適應(yīng)能力。

在這個(gè)框架下，AI 的記憶能力被徹底改寫。它不再只是“記得一時(shí)”或“記得一世”，而是能夠在不同頻率下動(dòng)態(tài)調(diào)度，既能快速響應(yīng)用戶的即時(shí)需求，又能在長(zhǎng)期中不斷積累與進(jìn)化。這種連續(xù)譜記憶的提出，標(biāo)志著人工智能正在從“會(huì)算”走向“會(huì)記”，從“即時(shí)工具”走向“持續(xù)伙伴”。

04

自修改學(xué)習(xí)模塊 HOPE

在嵌套學(xué)習(xí)的宏大敘事中，最令人振奮的設(shè)計(jì)之一就是HOPE（Higher-Order Persistent Evolution）模塊。它的理念堪稱一次范式躍遷，讓模型不僅學(xué)習(xí)任務(wù)本身，還學(xué)習(xí)如何更新自己。HOPE是一個(gè)能夠“自我編程”的序列模型，它在訓(xùn)練過(guò)程中逐漸掌握屬于自己的更新規(guī)則。

這意味著模型不再依賴外部?jī)?yōu)化器的單向驅(qū)動(dòng)，而是具備了自我修改的能力。它能夠在面對(duì)新任務(wù)時(shí)快速吸收知識(shí)，同時(shí)避免遺忘舊任務(wù)。

這種持續(xù)學(xué)習(xí)的能力，正是當(dāng)前大語(yǔ)言模型最缺乏的環(huán)節(jié)。HOPE 的出現(xiàn)，打破了“學(xué)新必忘舊”的宿命，讓模型真正具備了像人腦一樣的記憶鞏固機(jī)制。

在實(shí)驗(yàn)中，HOPE 展現(xiàn)出令人矚目的潛力：在語(yǔ)言建模任務(wù)中，它能夠不斷整合新語(yǔ)料而不丟失已有知識(shí)；在知識(shí)融合場(chǎng)景中，它能動(dòng)態(tài)吸收外部信息并與已有知識(shí)體系相互作用。

在長(zhǎng)上下文推理中，它展現(xiàn)出超越傳統(tǒng) Transformer 的穩(wěn)定性與持續(xù)性。可以說(shuō)，HOPE 是邁向“自我進(jìn)化型人工智能”的關(guān)鍵一步，它讓我們看到了 AI 從工具走向生命體的可能性。

05

重新審視常見(jiàn)概念

嵌套學(xué)習(xí)不僅提出了新模塊，更重要的是，它重新定義了我們對(duì)一些核心概念的理解。

持續(xù)學(xué)習(xí)，在 NL 的框架下，不再是簡(jiǎn)單的“避免遺忘”，而是被視為一系列上下文序列的壓縮與傳遞。每一層級(jí)都在壓縮自己的上下文，并將其傳遞給更高層，從而形成一個(gè)動(dòng)態(tài)的知識(shí)流。

In-context Learning，過(guò)去被視為大模型的“涌現(xiàn)能力”，在 NL 的解釋中則是源于多層嵌套結(jié)構(gòu)的非參數(shù)回歸特性。換句話說(shuō)，模型的上下文學(xué)習(xí)能力并非偶然，而是嵌套優(yōu)化的必然產(chǎn)物。

預(yù)訓(xùn)練，在 NL 的哲學(xué)里，本質(zhì)上是一場(chǎng)大規(guī)模的上下文壓縮過(guò)程。整個(gè)語(yǔ)料庫(kù)被視為一個(gè)巨大的上下文，模型通過(guò)嵌套優(yōu)化逐層壓縮，最終形成參數(shù)化的記憶。這種解釋讓我們重新理解了預(yù)訓(xùn)練的意義：它不是一次性的大規(guī)模學(xué)習(xí)，而是嵌套記憶的第一步。

學(xué)習(xí)與記憶，在傳統(tǒng)認(rèn)知中往往被割裂開(kāi)來(lái)：學(xué)習(xí)是訓(xùn)練，記憶是存儲(chǔ)。但在 NL 的框架下，兩者被統(tǒng)一為嵌套優(yōu)化的不同表現(xiàn)形式。學(xué)習(xí)就是記憶的壓縮，記憶就是學(xué)習(xí)的延續(xù)。它們不再是兩個(gè)獨(dú)立的過(guò)程，而是同一個(gè)系統(tǒng)的不同頻率。

06

實(shí)驗(yàn)與驗(yàn)證

任何新的范式都需要在真實(shí)任務(wù)中接受檢驗(yàn)，Google Research研究團(tuán)隊(duì)通過(guò)一系列覆蓋面極廣的實(shí)驗(yàn)來(lái)證明其有效性。

在持續(xù)學(xué)習(xí)的場(chǎng)景中，NL 展現(xiàn)出強(qiáng)大的適應(yīng)力。無(wú)論是語(yǔ)言增量學(xué)習(xí)、問(wèn)答任務(wù)，還是類別增量的場(chǎng)景，模型都能夠在吸收新知識(shí)的同時(shí)保持舊知識(shí)的穩(wěn)定性。這一點(diǎn)尤為關(guān)鍵，因?yàn)閭鹘y(tǒng)大模型在面對(duì)增量任務(wù)時(shí)往往會(huì)出現(xiàn)“災(zāi)難性遺忘”，而嵌套學(xué)習(xí)的多層次記憶機(jī)制有效緩解了這一問(wèn)題。

圖 4：不同架構(gòu)（Hope、Titans、 Samba和基線 Transformer）在語(yǔ)言建模（困惑度；左）和常識(shí)推理（準(zhǔn)確率；右）任務(wù)上的性能比較。

在長(zhǎng)上下文理解方面，研究團(tuán)隊(duì)選擇了極具挑戰(zhàn)性的Needle-in-a-haystack和BABILong基準(zhǔn)測(cè)試。這些任務(wù)要求模型在海量文本中精準(zhǔn)定位關(guān)鍵信息，傳統(tǒng) Transformer 架構(gòu)常常因上下文窗口限制而力不從心。而 NL 的連續(xù)譜記憶系統(tǒng)和多頻率更新機(jī)制，讓模型在長(zhǎng)文本推理中保持穩(wěn)定表現(xiàn)，證明了其在復(fù)雜語(yǔ)境下的優(yōu)勢(shì)。

常識(shí)推理與語(yǔ)言建模任務(wù)同樣是檢驗(yàn)智能的試金石。實(shí)驗(yàn)結(jié)果顯示，嵌套學(xué)習(xí)不僅能夠在常識(shí)推理中展現(xiàn)更高的準(zhǔn)確率，還在語(yǔ)言建模任務(wù)中保持了更好的泛化能力。這意味著 NL 不只是一個(gè)“記憶增強(qiáng)器”，它在核心的語(yǔ)言理解與生成任務(wù)上也具備競(jìng)爭(zhēng)力。

更值得關(guān)注的是優(yōu)化器的對(duì)比實(shí)驗(yàn)。研究團(tuán)隊(duì)將新提出的M3 優(yōu)化器與傳統(tǒng)的 Adam 等方法進(jìn)行對(duì)比，結(jié)果顯示 M3 在壓縮梯度信息與保持長(zhǎng)期記憶方面表現(xiàn)更優(yōu)。這一發(fā)現(xiàn)再次印證了嵌套學(xué)習(xí)的核心理念：優(yōu)化器本身就是記憶模塊，而多頻率動(dòng)量項(xiàng)能夠讓記憶更持久、更靈活。

圖 5：對(duì)不同架構(gòu)（Hope、Titans、 TTT和Mamba2）在不同難度級(jí)別的長(zhǎng)上下文任務(wù)上的性能進(jìn)行比較。NIAH-PK、NIAH-H 和NIAH-W 分別是大海撈針任務(wù)，分別對(duì)應(yīng)密碼、數(shù)字和單詞。

綜合來(lái)看，這些實(shí)驗(yàn)為嵌套學(xué)習(xí)提供了堅(jiān)實(shí)的證據(jù)。它不僅在持續(xù)學(xué)習(xí)和長(zhǎng)上下文任務(wù)中具備優(yōu)勢(shì)，還在常識(shí)推理與語(yǔ)言建模中展現(xiàn)出潛力，證明了這一范式的廣泛適用性。

07

結(jié)論與展望

嵌套學(xué)習(xí)的提出，被視為繼 Transformer 之后的又一次基礎(chǔ)性革新。它不僅是架構(gòu)上的改進(jìn)，更是一種哲學(xué)上的轉(zhuǎn)折，把學(xué)習(xí)與記憶統(tǒng)一在嵌套優(yōu)化的框架中，讓模型真正具備持續(xù)學(xué)習(xí)與自我進(jìn)化的能力。

在產(chǎn)業(yè)層面，這一突破意義重大。它為大模型的記憶與個(gè)性化服務(wù)提供了新路徑。過(guò)去的大模型更多是“即時(shí)回答工具”，而嵌套學(xué)習(xí)讓我們看到了“持續(xù)伙伴”的可能性。未來(lái)的 AI 不再只是一次性訓(xùn)練的產(chǎn)物，而是能夠在與用戶的長(zhǎng)期交互中不斷積累經(jīng)驗(yàn)，提供真正個(gè)性化的服務(wù)。

展望一下未來(lái)，嵌套學(xué)習(xí)的方向可以從三個(gè)維度展開(kāi)。首先是架構(gòu)與優(yōu)化器的協(xié)同設(shè)計(jì)，讓不同層級(jí)的記憶與更新機(jī)制更加緊密結(jié)合。其次是工程化驗(yàn)證與大規(guī)模部署，如何在工業(yè)級(jí)場(chǎng)景中穩(wěn)定運(yùn)行 NL，將是下一步的挑戰(zhàn)。最后是跨智能體的記憶共享與個(gè)性化應(yīng)用，讓不同AI 模塊之間能夠打破“記憶孤島”，形成真正的協(xié)作網(wǎng)絡(luò)。

可以說(shuō)，嵌套學(xué)習(xí)正在為人工智能打開(kāi)一條新的道路。它讓我們從“更大、更快”的競(jìng)爭(zhēng)，轉(zhuǎn)向“更會(huì)記憶、更懂用戶”的深層能力比拼。這不僅是技術(shù)的進(jìn)化，更是智能的進(jìn)化。未來(lái)的大模型，或許將不再以參數(shù)規(guī)模論英雄，而是以記憶系統(tǒng)的設(shè)計(jì)來(lái)決定其真正的高度。（END）

參考資料：https://research.google/blog/introducing-nested-learning-a-new-ml-paradigm-for-continual-learning/

關(guān)于波動(dòng)智能——

波動(dòng)智能旨在建立一個(gè)基于人類意圖與反應(yīng)的真實(shí)需求洞察及滿足的價(jià)值體系，融合人工智能與意識(shí)科學(xué)，構(gòu)建覆蓋情緒識(shí)別、建模與推薦的智能引擎，自主研發(fā)面向社交、電商等場(chǎng)景的多模態(tài)意圖識(shí)別引擎、意圖標(biāo)簽系統(tǒng)及意圖智能推薦算法，形成從情緒采集、意圖建模到商業(yè)轉(zhuǎn)化的完整解決方案。波動(dòng)智能提出“意圖是連接人、物與內(nèi)容的新型接口”，其產(chǎn)品廣泛應(yīng)用于AI社交、個(gè)性化內(nèi)容推薦、虛擬陪伴、電商體驗(yàn)優(yōu)化等領(lǐng)域。波動(dòng)智能正在探索“EMO-as-a-Service”技術(shù)服務(wù)架構(gòu)，賦能企業(yè)實(shí)現(xiàn)更高效的用戶洞察與精準(zhǔn)情緒交互，推動(dòng)從功能驅(qū)動(dòng)到意圖驅(qū)動(dòng)的產(chǎn)業(yè)范式升級(jí)。

親愛(ài)的人工智能研究者，為了確保您不會(huì)錯(cuò)過(guò)*波動(dòng)智能*的最新推送，請(qǐng)星標(biāo)*波動(dòng)智能*。我們傾心打造并精選每篇內(nèi)容，只為為您帶來(lái)啟發(fā)和深思，希望能成為您理性思考路上的伙伴！

加入AI交流群請(qǐng)掃碼加微信