Face à l’expansion incontrôlée des mémoires dans les systèmes d’intelligence artificielle, notamment dans les modèles à grande échelle et les systèmes multi-agents, une équipe de recherche de Gradient a lancé une initiative ambitieuse : transformer la mémoire d’un système IA d’un simple dépôt passif en un composant évolutif, autonome et vérifiable. Ce défi est devenu crucial au fur et à mesure que les agents IA interagissent continuellement avec leur environnement, accumulant des informations jour après jour. Sans gestion rigoureuse, ces mémoires deviennent rapidement encombrantes, hétérogènes et bruyantes, nuisant à la précision des raisonnements, augmentant les coûts computationnels et les délais de réponse. Les approches classiques — comme la recherche par similarité vectorielle ou le stockage hiérarchique — fonctionnent bien au départ, mais échouent face à des scénarios complexes, longs et multi-tâches. Trois problèmes majeurs émergent : l’accumulation de bruit, la croissance incontrôlée du stockage, et une faible capacité à transférer des connaissances entre domaines. Pour y remédier, Gradient a conçu SEDM (Scalable, Evolving, Distributed Memory) — un cadre innovant qui redéfinit la mémoire comme un système actif, capable de s’auto-optimiser. Trois piliers fondamentaux soutiennent cette vision : Premièrement, la saisie vérifiable (Verifiable Write Admission). Avant d’être intégrée, chaque nouvelle expérience est soumise à un test rigoureux. Elle est encapsulée dans un contexte d’exécution auto-suffisant (SCEC), permettant une relecture indépendante de l’environnement. Chaque entrée est accompagnée d’un hachage, d’une version et d’une empreinte numérique, formant une chaîne de preuves auditables. Un test A/B évalue son impact réel sur la précision, la latence et la consommation de tokens. Seules les expériences qui améliorent globalement les performances sont acceptées. Deuxièmement, le contrôleur de mémoire auto-scheduler. SEDM ne laisse pas la mémoire croître indéfiniment. Il évalue dynamiquement l’utilité des mémoires en fonction de leur poids d’utilité et de leur similarité sémantique. Les expériences inefficaces sont progressivement affaiblies ou fusionnées, tandis que celles qui se révèlent utiles sont renforcées — voire abstraites pour devenir des connaissances générales. Troisièmement, la diffusion transversale des connaissances. SEDM permet de transformer des connaissances spécifiques (par exemple, acquises dans un jeu de questions à réponse complexe comme HotpotQA) en représentations générales, puis de les transférer à d’autres domaines. Des expériences montrent que les connaissances extraites de FEVER améliorent significativement les performances sur des tâches de raisonnement multi-étapes. Les retours des relecteurs ont été très positifs : « Cette étude transforme la mémoire d’un simple entrepôt en un composant évolutif et vérifiable — une vision nouvelle et prometteuse. » « Le mécanisme A/B fournit une chaîne de preuves transparente, évitant les décisions opaques. » « Les résultats de transfert inter-domaines sont impressionnants. » À court terme, SEDM pourrait révolutionner plusieurs domaines : les assistants IA personnalisés, les systèmes d’aide décisionnelle en entreprise (notamment en médecine ou recherche), et les outils de gestion de connaissances scientifiques. En permettant de conserver les connaissances pertinentes tout en réduisant la surcharge contextuelle, il améliore à la fois l’efficacité et la durabilité. L’idée initiale est née d’un constat simple : pourquoi les IA ne pourraient-elles pas apprendre à choisir ce qu’elles doivent retenir, comme le font les humains ? Cette réflexion a conduit à la conception de SEDM, où l’IA n’est pas simplement guidée dans ce qu’elle doit mémoriser, mais évaluée selon des critères objectifs. À l’avenir, Gradient prévoit de tester SEDM à grande échelle dans des environnements réels, de l’intégrer à des processus de planification et de raisonnement, et de le rendre open source pour stimuler une communauté collaborative. Pour Bill Shi, SEDM n’est pas seulement une avancée technique, mais une philosophie : l’IA doit être durable. Dans un monde où les modèles s’agrandissent sans cesse, la gestion intelligente de la mémoire devient une condition fondamentale pour que les systèmes IA puissent fonctionner efficacement sur le long terme. Ce n’est qu’un premier pas vers une intelligence artificielle véritablement évolutive — capable de se souvenir, d’apprendre à oublier, et de grandir avec le temps.