大規模言語モデルやマルチエージェントシステムの長期運用において、記憶の膨張と管理の難しさが深刻な課題となっている。Gradientチームは、この問題を解決するため「可拡張自己進化型分散記憶フレームワーク（SEDM）」を提案。従来の記憶管理は、類似度によるベクトル検索や階層的保存に依存していたが、長期にわたり情報が冗長化し、ノイズが蓄積され、推論精度の低下やコスト増加を招くという課題があった。SEDMは、記憶を「静的な保管庫」から「動的に進化する知能の一部」として再定義する画期的なアプローチを採用している。 SEDMの核心は、三つの革新点に集約される。第一に「可検証書き込み（Verifiable Write Admission）」。新規記憶は、自己完結型実行環境（SCEC）内で再現可能な実験を経て評価される。具体的には、記憶を用いた場合と使わない場合をA/Bテストし、精度、応答遅延、トークン消費量の変化を総合的に評価。その結果、正の影響を与える「高品質な経験」のみが記憶庫に登録され、ハッシュとバージョン情報で証跡が残される。これにより、記憶の信頼性と可説明性が確保される。 第二に「自己スケジューリング制御（Self-Scheduling Controller）」。記憶の「有用性スコア」と「意味的類似度」に基づき、自動的に使用頻度の高い記憶を強化、無効な記憶は劣化・統合・削除する。これにより、記憶庫の膨張を抑制し、推論時の上下文長と応答遅延を効果的に制御する。 第三に「跨領域知識拡散（Cross-Domain Knowledge Diffusion）」。特定タスクで得た知識を一般化し、他のタスクに効果的に転移可能。実証実験では、FEVERデータセットから得た知識が多段階推論タスク（HotpotQA）で顕著な性能向上をもたらした。 SEDMは、学界からも高い評価を受け、審査者から「記憶の可検証性と進化性を実現した画期的アプローチ」との評価が寄せられた。今後、個人・企業向けAIアシスタント、企業知識基盤、研究開発支援など、長期間にわたる推論が求められる分野での実用化を進める。また、Gradientチームは、SEDMのオープンソース化を視野に、研究コミュニティとの協働を推進。本研究は、AIが「持続可能で効率的」に長期運用されるための道筋を示す、重要な一歩である。