动态要旨记忆模型DGMM：以记忆为中心的AI架构

当代AI系统依靠大规模参数化、检索增强与在大型静态语料上训练取得强劲性能。尽管有这些进展，它们在持久记忆、时间定位、来源追溯与可解释性上仍有局限。这些挑战在LLM中尤为突出：经验被隐式编码在固定参数中，限制了随时间保存、检视与重新解释过去交互的能力。本文为AI确立一个以记忆为中心的架构基础：经验被显式而持久地表示，以支持时间定位、来源与可解释性。它提出参数中心路线的替代方案——把记忆当作推理的一等结构化基底。我们提出动态要旨记忆模型（DGMM），其架构把经验表示为演化的、图结构的情景-语义记忆。DGMM将经验编码为锚定于时间、来源与交互上下文的互连概念结构，并定义选择性的、由线索条件触发的回忆作为构建工作记忆的机制。文中给出基于加性记忆增长与回忆条件解释的形式化模式与架构不变量。结果刻画了DGMM的性质：情景持久性、线索条件惊异的局部性，以及不改动存储记忆结构即可获得上下文可变的解释。DGMM提供了一个连贯的架构理论：记忆显式而持久，无需重训即可演化解释，支撑可解释、上下文感知与时间接地的AI系统。