通用智能体要在多个环境和目标之间都接近最优地行动，记忆里到底必须存些什么？arXiv 上编号 2606.18746 的论文《What Must Generalist Agents Remember?》对这个问题给出了一个形式化的答案。论文由 Khurram Yamin 等六位作者完成，于 2026 年 6 月 17 日提交，归类于人工智能（cs.AI）方向。
论文的核心设定是“观察瓶颈”：两个不同的领域在某些时刻会呈现出相同或高度相似的观测信息，但在这同一观测下，各自的最优动作却互不相容。作者证明，只要一个策略在所有环境中都统一地接近最优，它就必然在这类共享瓶颈处诱导出不同的记忆分布。换言之，如果智能体只依据当前的观测做决策，那么面对同一观测时它无法区分自己身处哪个领域，也就无法同时在这两个领域都做出正确选择。
由此得到的结论被称为分离定理：足够成功的智能体不可能仅依赖当前状态观测，而必须把与领域相关的信息保存在记忆中。这一结果从理论上说明了记忆不是可有可无的附加组件，而是通用性本身所要求的条件。
论文还进一步刻画了记忆的另一重作用。作者证明，如果一个智能体的记忆包含了足够的信息，可以用来估计与当前任务相关的其他目标的价值，那么这份记忆就可以被用来近似重建该智能体所处的局部转移动力学。也就是说，能够支撑价值估计的记忆，同时也能承载对环境如何演化的理解，从而为规划提供基础。
综合这两部分结果，论文把记忆刻画为一种底层载体，它同时支撑三件事：在共享观测下消解领域歧义、重建转移模型，以及为通用智能体进行规划。这项工作的价值在于把“通用智能体需要记忆”这一直觉转化为可证明的命题，并明确了记忆内容与该智能体能够达到的性能之间的对应关系。
需要注意的是，这是一篇理论性论文，其贡献集中在形式化建模与定理证明层面，摘要并未涉及具体实验或系统实现。论文全文可通过 arXiv 获取，包括 PDF、实验性 HTML 版本以及 TeX 源码。