内容编辑丨特工小海 特工小饼
内容审核丨特工少女
前不久，一个叫 MemSlides 的项目登顶 Hugging Face Daily Papers 第一，同时位列 Weekly 第一——这是全球最大的开源 AI 社区每周的论文排行榜，通常被 DeepMind、Meta 这类机构霸榜。
这项工作切入的是一个看似日常的场景：AI 帮你做 PPT，你改了一句话，整篇就跟着崩；你上一轮说过喜欢简洁风格，下一轮它就忘了。
但它真正试图回答的，是一个更底层的问题：一个 AI 系统，能不能在不断学新东西的同时，不把旧东西忘掉？
2026 世界人工智能大会开幕前夕，我们在上海交大的校园里见到了项目背后的核心作者杨一博。采访还没正式开始，他先提醒了我们一句。“你们可能想问 PPT Agent，但我做的不是 PPT。PPT 是我所做研究的一个具体应用，或者说是可以把我的研究课题讲清楚的一个案例。”
按他的说法，MemSlides 只是他长期研究的一个落地案例。他真正关心的是一个学术上叫“灾难性遗忘”的底层问题：AI 在不断学新东西的过程中，怎么不把旧东西忘掉？而他给自己画的终局也远不止一份 PPT——是在真实物理世界边干边学的机器智能。
围绕这个问题，他已经做了近十年：早年在北大读书，随后长期在海外（KAUST、牛津）做研究，今年回国被上海交大聘为人工智能方向副教授。而他研究的课题始终没变：聚焦灾难性遗忘与终身学习。
这条路上他已经拿出了足够硬的成果。他提出的高效微调技术 CorDA，已被集成进 Hugging Face 官方的 PEFT 框架——这个框架在 GitHub 上有超过两万 Star，是业界微调大模型时最常用的工具库之一。
而他关心的还不止是知识会不会被忘掉：模型在学习新任务时，预训练阶段花大代价建立起来的安全能力，同样可能悄悄流失。针对这个问题，他提出的安全微调方法，将微调后模型的有害输出得分降至当时 SOTA 方法（ICLR 2025 最佳论文奖获奖工作）的 1/5。
作为研究员的他，和其他人很不一样：当整个行业都在兴奋地给 Agent 堆 memory 的时候，他反复讲的词不是让 AI 记住多少，而是忘掉什么、保护什么、边界在哪。
这也是 MemSlides 的核心理念：智能真正稀缺的能力，不是一次性把事做完，而是在不断更新变化的过程中，仍然知道该保留什么。
从 PPT 看到真问题
我们从最直观的问题聊起：AI 生成 PPT，为什么改一句话，整篇就跟着乱？
杨一博觉得，现在主流工具的逻辑是“一次性帮你做完”，但真正好用的工具应该是一个越用越懂你的协作者——在长期交互中自己捕捉用户的倾向，而不是每次都要重新交代。
他举了一个例子：用户先生成十页 PPT，第二轮要求把所有的一级标题的字体字号进行修改，后来 PPT 扩展到二十页——新加的十页能否自动沿用前面交代过的偏好？现有工具是做不到的。但我们看到 MemSlides 可以自动把前面用户提过的倾向，经过记忆机制自动施加到后面新增的页面上。
他们的成果效果如何呢？
MemSlides 的表现几乎全部是 SOTA 级别的。闭环完成率提升 14.8 个百分点，严格验证率提升 22.4 个百分点，首次正确修改时间减少约 60%，核心工具消耗时间减少约 67%。
在定性评估方面，因为 MemSlides 最大的特点是捕捉用户个性化，所以他们构建了一个 user profile 库，包含医生、律师、创业者、教师等不同角色。每个角色有不同的目的，比如教学场合喜欢什么风格，学术报告倾向于什么风格。实验发现 MemSlides 能够根据交互历史准确地捕捉到不同用户在不同目的下的个人喜好，从而降低用户在个性化需求方面的沟通成本。
但对杨一博来说，这些数字不是重点。重点是它背后暴露的根本问题：
一个系统如果没有真正的记忆能力，就永远只能做一次性的活，而不可能成为一个持续进化的协作者。
记忆与遗忘
聊到记忆机制，绕不开行业里一个非常激烈的争论：既然模型的上下文窗口越来越长，还有必要专门设计一套外挂的记忆系统吗？直接把历史对话全塞进去不就行了？
杨一博不同意这个判断。他认为纯靠 long context 至少有三个硬伤：
首先，上下文窗口增大带来的增益会很快到瓶颈，甚至当窗口非常长时，反而会带来干扰——模型需要的是最相关、最能帮助这次推理的那部分内容，塞进更多信息其实是噪声。
其次，那些需要个性化的场景，不能指望用户每次使用工具时都把自己的背景、职业、研究方向全部重新告诉 AI 一遍。
第三，上下文只能是暂时性地帮助智能体提供一个更准确的回答。打个比方，上下文窗口对应的是让学生开卷考试——当场能查；而记忆系统对应的是真正的学习这个过程——人就是通过记忆并思考和推理来完成学习过程的。
记忆系统可以在用户不断交互的过程中捕捉用户行为，可以积累工具调用过程中的正确经验和失败教训，然后精确地提供之后交互时所需要的关键信息。所以不管是从效率、准确性还是个性化上讲，记忆系统是一个更加根本的解决方式。
在 MemSlides 里，这套理解落成了一个具体的设计决策：当信息冲突时，当前用户的显式反馈 > 任务模板 > 长期画像。这个优先级看起来是产品设计，但本质上是对「记忆该如何被管理」的回答：要在正确的时刻调取正确的信息，并在冲突时做出合理取舍。
这套思路的源头，要追溯到他的博士阶段。
他读博是在几年前，那时灾难性遗忘还是个相当冷门的方向：没有 GPT，没有扩散模型，持续学习尚未成为行业热点。但他当时就认定，这是机器学习的根本性问题。
他认为，机器智能需要像人的智能一样，人不仅仅会推理，更重要的是人有记忆，人的记忆、学习、推理（思考）是统一和相辅相成的。
而当时的智能是什么样的？准备一个模型，一次性收集数据让它学，之后部署在固定环境里推理。“我当时就认为这种智能形式有非常大的限制。真正的智能肯定要像人一样，在不断变化的世界里终身学习。”
即便到今天，这个问题也没有消失：随着参数改变去适应新能力，模型依然很难保证之前学到的知识不被遗忘。业界通行的 LoRA 微调也是如此：它轻量且不改模型结构，但参数的变化依然会造成预训练模型固有的世界知识、基础能力甚至对齐的退化。这正是预训练模型的灾难性遗忘。
杨一博提出的 CorDA 走了另一条路：它不是简单地在模型旁边加一小块可训练的参数，而是先深入模型权重内部，找出哪些部分承载着最核心的已有知识，把它们冻结保护起来，只让剩余的部分去学新东西。
用他自己的比喻来说：LoRA 是给硬盘加了一块新分区写东西，但写入过程可能覆盖旧文件；CorDA 是先把核心文件设成只读，再只往可写区域存新数据。
安全能力的保护是同一逻辑的延续。
微调过程中，预训练花大代价建立的安全对齐也会遗失：微调完的模型你问它有害问题，它可能就不拒绝了。
他们的做法是把和安全对齐最相关的子成分提取出来冻结，只微调对安全冗余的部分；同时因为可学习部分的优化路径仍可能干扰安全能力，他们进一步构造了零空间约束，将可学习参数的优化方向限制在有害输入的零空间内，尽可能避免新任务训练干扰已有安全能力。
本质上就是给模型的优化方向画了条边界：你可以往前学，但不许往会破坏安全能力的方向走。
采访过程中，我问了他一个关于价值观的问题：“CorDA 进了 Hugging Face PEFT，被国外公司用在了生产中。和再中一篇顶会相比哪个更兴奋？”
他的回答没有一秒犹豫：当然是前者。“人工智能作为改变人类生产生活方式的技术，一定要产生真实的社会效益。看到我的工作真正能影响公司的生产、人们的工作效率，这是对一个工作更大的认可。”
回头看这条线会发现：从终身学习理论，到 CorDA 的知识保护微调，再到安全能力保护和 MemSlides 的多轮协作，杨一博的问题始终没变：一个智能系统在学习新东西时，怎样不破坏过去已经形成的能力。
用他自己的话说：“我的研究主线始终是机器智能的终身学习，即如何兼顾已有知识的稳定性和学习新知识的可塑性，实现终身自成长。”
世界模型与终身学习
数字世界里出错的代价，是一套改乱的 PPT；但物理世界的机器人一出错，后果就没法撤销了。
所以当这条技术路线延伸到真实物理世界，问题会变得更尖锐。
杨一博并不回避这个挑战：“这个问题肯定还存在。”世界模型、VLA 模型本质上也是机器学习模型，参数变化时很难兼顾新旧能力，这是根本问题。但正因如此，真实世界里干活的机器人反而更需要边干边学。
为什么呢？原因至少有三点：
第一是数据：机器人的高质量数据比没有物理载体的 Agent 更稀缺，必须让它有真正的自成长能力，在与环境的交互中积累有价值的经验反哺自己，像人一样能够通过少量数据就完成学习，做到不过拟合、抗遗忘、强泛化。
第二是记忆：“我搬了一次家，机器人在旧家会开柜子叠衣服，搬到新家就什么都不会了？如果适应新环境的代价是遗忘已有的知识，这是不能接受的。”
第三是个性化——这和做 MemSlides 是一样的：机器人要真的服务好人，需要观察一个人或一个群体的偏好，甚至一些潜在的社会规则。
至于什么是世界模型，他给了一个最简单的概括：
一个能让智能体在内部“想象世界会怎么变化”的模型。给定当前状态和可能采取的动作，它能预测接下来会发生什么，让智能体先在内部推演、再做决策，从而降低试错成本。
作为一个持续学习的智能体，它会在每天会产生大量交互经验：哪些值得记住，哪些该主动遗忘？
杨一博认为这是一种自我认知的能力，有些经验可以提升为能泛化的经验，有些经验后续会发现是不完善的、甚至是错误的干扰项，所以系统需要具备对自身经验质量进行评估的能力：识别哪些经验可靠、哪些冲突、哪些需要在后续交互中继续修正和迭代提高。
说到底，这还是可塑性和稳定性之间的老问题。只不过在物理世界里，解法必须更精细：系统要能像人一样，通过后续的环境反馈和自我反思，来对已有的记忆和经验做出评价和处理。
采访中我们还抛了一个开放的问题：今天关于世界模型的各种说法里，最被忽视的是什么？
他觉得今天关于世界模型最容易被忽视的一点，是我们对“世界”的定义可能还太窄了。
现在很多世界模型主要关注物理环境：环境如何变化、动作会带来什么结果。但真正部署到现实世界以后，一个智能体面对的往往不只是物理环境，还包括人和其他智能体。就像人的学习不仅是通过和环境交互完成的，很大程度上也是通过互相交流和社会活动完成的。
从这个角度看，杨一博觉得目前相对被忽视的，是世界模型中的社会性。
真正成熟的智能
聊到最后，话题回到了他自己身上：为什么选择在这个时间点回国、到交大任教？
模型落地离产业更近，当然是一个原因。但更根本的判断是，当前阶段的人工智能，中国处于第一梯队。
“和十年、二十年前要到海外学习先进研究不一样，现在不管是离产业的距离、人才密度，还是国家和政策的支持，中国都处于全世界领先的位置。如果说我在当前最前沿的科技领域有一些能力和潜力，为什么不回来，把这个能力贡献到自己国家的人工智能发展呢？”
对想入行做 Memory 和 Agent 研究的研究生，他的建议非常简洁：打好扎实基础。
“现在很多 Agent 的工作偏机制设计、偏工程拼接，但当你需要解决真正本质的问题时——比如为什么记忆会冲突、为什么微调会遗忘，底层的数学和机器学习理论是绕不开的。”
采访的最后一个问题，我们请他用一句话概括：真正成熟的智能，不是什么，而是什么？
“真正成熟的智能，不是在固定环境里有非常强的能力、能做很多事情，而是能够在变化的世界里自我成长、自我学习。而且不是被动的学习，是在和环境的交互过程中，自己的主动成长。”
临走前我们问他，自己做组会 slides 会不会用 MemSlides。
他笑了，说会用，也被自己的系统气到过：“被气到的那个瞬间，一般就是下一篇论文的胚子。”
记忆、遗忘、保护——这三个词贯穿了杨一博过去十年的所有工作。
接下来他要证明的是，一个真正记忆原生的自进化的系统，在真实世界中能走多远。
- 完 -
