试想一位首席财务官正在审查季度cloud 。AI团队展示了一张极具说服力的图表：按令牌计算的推理成本同比下降了75%。模型运行更快，API费用更低，供应商还提供了批量折扣。一切迹象都表明成本有所降低。然而，当实际账单送达时，总额却比上个季度还要高。

人力资源部门正经历一场根本性的转变，正从被动应对的成本中心转变为主动创造价值的驱动力。然而，许多组织在人才分析方面仍固守着一种极简主义的做法。尽管生成式人工智能和自主代理在企业中日益普及，但人力资源部门对数据的应用往往仍局限于基本的员工流失预测。

红帽凭借Linux打造了一家市值340亿美元的企业。IBM将其收购。这笔交易印证了一个延续了四十年的假设：那些从共享代码中获取巨大价值的公司，出于自身利益，会继续为它们所依赖的项目提供资金。如今，这一假设正面临考验。原因并非有人决定停止资助开源项目，而是因为对其资助最多的行业——SaaS——正被最依赖它的行业——人工智能——所瓦解。

在上一篇文章中，我探讨了八个独立研究团队如何得出了相同的结论：与其围绕模型构建记忆系统，不如训练模型本身，使其将记忆管理作为一项习得技能。后记忆训练——即在训练后阶段运用强化学习——能够培养出能够自主决定存储、删除、巩固和检索哪些信息的智能体，所有这些操作都经过优化，以完成任务为目标。

过去几个月来，后内存训练一直是我的研究重点。如果你关注了我近期关于上下文管理、内存架构以及“为何智能体在第50轮后性能会下降”这一反复出现的问题的论述，那么本文正是这些线索汇聚之处。最初的趋势已相当明朗：八支独立的研究团队得出了相同的结论：不要再围绕模型构建内存系统，而是要训练模型本身，使其将内存管理作为一项习得技能。这种共识具有重要意义。