当人们习惯用ZIP或RAR压缩文件时，是否想过人工智能模型也能以惊人的方式“压缩”信息？俄罗斯人工智能研究院联合莫斯科物理技术学院、伦敦数学科学研究所的研究团队，在论文《将1568个文本片段压缩进单个向量并完整复原：探索嵌入空间容量极限》中证实，现代大语言模型的一个输入向量可存储并完美还原多达1568个文本片段。这一发现犹如发现一个能装下整座图书馆的微型盒子，彻底颠覆了人们对AI记忆容量的传统认知。
研究团队通过“记忆向量”技术实现了这一突破。传统观点认为，每个数学向量仅能对应单个词汇或短语，就像每个抽屉只能存放一件物品。但该团队开发的记忆向量如同魔法容器，能将完整文本序列编码进单个向量，再从向量中无损重构原文。实验中，Llama-3.1-8B模型展现出1500倍的压缩比，相当于将1568个文本片段“装进”一个向量。更令人惊讶的是，这种能力不依赖文本类型，无论是经典文学、网络小说还是随机单词序列，均能实现完美压缩。
压缩能力的极限并非由文本长度决定，而是取决于文本的“不确定性”。研究引入“交叉熵”概念衡量文本意外程度，发现只要交叉熵低于模型阈值，无论文本多长均可压缩。测试显示，自然语言文本（如公版书籍或同人小说）的压缩效果相近，而随机序列因完全无规律，压缩数量稍低但仍达792个片段。这种通用性证明，AI的记忆能力不依赖于语义结构，而是一种底层信息处理机制。
不同模型的压缩能力差异显著。研究测试了14个参数从1.6亿到80亿的模型，发现规模更大、架构更新的模型表现更优。例如，Llama系列、OLMo和Mamba的压缩能力明显强于早期模型如OPT和Pythia。值得注意的是，所有模型的“容量利用率”仅在15%-30%之间，暗示其潜在能力远未被充分挖掘。Mamba模型作为非Transformer架构的代表，同样展现出强大压缩力，证明这一现象具有架构普适性。
记忆向量的内部结构却充满谜团。分析发现，存储相同内容的不同向量间相似度，与存储不同内容的向量无显著差异。更奇怪的是，向量间的“插值”操作无法生成有意义文本，表明其有效区域在高维空间中呈离散分布，而非连续区域。这种不规律性既解释了当前方法的局限性，也暗示可能存在尚未理解的深层规律，如同量子物理初期揭示的复杂现象。
实际应用中，这项技术可大幅降低AI处理长文本的计算负担。例如，文档系统可将整本手册压缩为少数向量，对话系统能存储长期对话历史，搜索引擎可提升检索效率。然而，从实验室到落地仍面临挑战：当前训练方法需为每个文本单独优化，耗时从几秒到几十分钟不等；同一文本可能对应多个有效向量，导致系统行为不可预测；向量间缺乏连续性也限制了其在渐进调整任务中的应用。
研究团队指出，若能优化记忆向量结构并改进训练算法，这些问题有望解决。例如，发现向量空间的内在规律后，可开发更高效的训练方法。更深远的是，这一发现促使人们重新思考AI的认知边界。传统认为AI输入表示空间已高效利用，但研究显示其“大脑”中存在大量未开发的“存储空间”，暗示通过优化表示空间利用率，可能实现AI能力的质的飞跃。
对于普通用户而言，这项技术意味着未来的AI助手将拥有更强大的“记忆力”。想象一下，与AI对话时它能完整记住之前的所有内容，处理复杂文档时瞬间检索关键信息，搜索时精准定位所需内容——这些场景因记忆向量技术的突破而更接近现实。尽管从发现到应用仍有距离，但研究已为AI领域开辟了全新可能性，揭示出这些系统远超想象的内在潜力。