對於開發者來說，讓 AI 擁有記憶力看似簡單，但要在數億用戶、跨越數年的對話數據中，維持記憶的準確性與即時性，其實是一個極大的工程挑戰。OpenAI 最近發布的 Dreaming 技術，正是為了將 ChatGPT 的記憶從單純的紀錄本，升級為一個能自動合成、持續更新的動態系統。
理解記憶系統的演進
在進入 Dreaming 之前，我們需要先理解早期的記憶機制。最初的記憶功能（Saved Memories）本質上是一種觸發式紀錄。當使用者明確要求記得某件事，或者對話中出現強烈信號時，系統會將該片段寫入儲存空間。
這種方式在實務上像是一個只會記重點的助理，如果你沒要求他記錄，他就會忘記；而且最嚴重的問題在於記憶的陳舊化（Staleness）。例如，你曾在半年前告訴 AI 你在規劃七月的旅行，半年後你問他晚餐建議，他可能還以為你在旅行中，導致推薦的餐廳全在國外。
什麼是 Dreaming 記憶架構
為了克服上述限制，OpenAI 引入了 Dreaming 機制。所謂的 Dreaming，是指 AI 在後台執行的一套自動化策展（Curation）過程。
不同於以往在對話過程中即時寫入，Dreaming 允許模型在背景中回溯大量的歷史對話，將碎片化的資訊重新合成（Synthesize）為結構化的記憶狀態。這意味著 AI 不再依賴使用者的明確指令，而是能從自然的對話脈絡中學習你的偏好、專案背景與限制條件。
Dreaming 解決的核心問題
一個合格的記憶系統必須滿足三個維度，而 Dreaming 正是針對這三點進行優化：
第一是上下文的延續性（Carry forward context）。 在工程實務中，這解決了重複輸入背景資訊的痛勞。例如，如果你曾詳細描述過你的攝影設備（相機型號、外接閃光燈、水下殼），下次詢問相容配件時，AI 能直接從記憶中提取設備清單，提供精確到 SKU 級別的建議，而非給出泛泛而談的通用清單。
第二是偏好與約束的遵循（Follow preferences and constraints）。 記憶不僅是事實的紀錄，還包含使用者的隱性偏好。例如，你偏好安靜的餐廳、對空調溫度要求極高或有飲食禁忌。Dreaming 能將這些分散在不同對話中的偏好合成，使其在所有後續建議中自動生效。
第三是時間維度的即時性（Stay current over time）。 這是 Dreaming 最關鍵的進步。系統能感知時間的流逝，自動將記憶狀態從計畫中（Planning）更新為已完成（Completed）。例如，將記憶從你在七月要去新加坡，自動修正為你曾在七月去過新加坡，從而避免在你回到家後依然推薦新加坡的外送餐廳。
工程實務上的挑戰與優化
要將這種後台合成機制推廣到數億用戶，面臨的最大挑戰是運算成本（Compute Cost）與擴展性（Scalability）。
OpenAI 表示，最新的 Dreaming V3 版本在維持品質的前提下，將運算需求降低了約五倍。這讓該功能能從原本僅限於 Plus 與 Pro 用戶，擴展到免費用戶身上。這證明了記憶系統的演進方向，正從單純的儲存（Storage）轉向高效的合成（Synthesis）。
使用者控制權
為了避免 AI 產生錯誤的記憶或過度推論，Dreaming 系統提供了記憶總結頁面（Memory Summary Page）。使用者可以在此查看 AI 目前對自己的認知，手動修改錯誤資訊，或設定特定主題的觸發指令，確保 AI 的認知與現實同步。
來源：openai.com
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。