EvoLib：経験を進化する知識に変える

大規模言語モデル（LLM）の知能は、単に記憶を増やすだけでは向上しません。マイクロソフトリサーチが提案するEvoLibフレームワークは、AIシステムが人間のように経験から転移可能な知識を抽出し、継続的に進化させることを目指します。EvoLibの核心は、生の経験を再利用可能なスキルと反省的な洞察という2種類の知識単位に変換することです。従来の記憶システムが静的な経験を保存するのに対し、EvoLibは統合（Consolidation）と動的重み付け（Weighting）のメカニズムを通じて知識を進化させます。統合は新しい知識と類似知識を結合し、より一般的な知識を生成します。重み付けは、現在のタスクへの即時的有用性だけでなく、将来の知識生成への貢献度に基づいて各知識の重要性を動的に調整します。実験は、数学的推論、効率制約下でのコーディング、長期的意思決定タスクで実施されました。結果は、EvoLibが最良の検索ベース記憶手法や他の抽象記憶メカニズムを一貫して上回り、トークン使用効率も高いことを示しました。テスト時計算量の増加に伴う性能向上も既存手法より急速であり、経験を再利用可能な知識に変換することの重要性が示されました。さらに、EvoLibはランダムなタスク順序に対して頑健で、異種タスクが混在する現実世界のシナリオでも安定した性能を維持します。これにより、AIシステムはモデルを更新することなく、混合ユーザ要求のストリームから継続的に学習できます。EvoLibは、AIの継続的学習に向けた一歩であり、進化する知識ライブラリを構築することで、デプロイ後も改善と適応を続けられます。将来のAIシステムは、毎回ゼロから始めるのではなく、人間のように再利用可能なスキルと洞察のライブラリを積み重ねていくことができるでしょう。コードと実験結果はGitHubで公開されています。