一个人如何确定自己的身份？我认为关键在于记忆。如果一个人突然失去记忆，他将不知道自己是谁，不会吃饭，不会走路，不会说话，所有的行为都只能依靠神经反射。在这种情况下，这个失忆的人已经不再是原来的那个人了。

AI能够输出正确答案同样依赖于记忆。尽管AI本质上是通过大量数据拟合出的一个f(x)程序，但它确实实现了某种形式的记忆能力。超大规模的参数量提供了强大的记忆容量，使得大型语言模型（LLM）能够进行判断、推理，甚至控制复杂的操作。

那么，AI的记忆与人类的记忆究竟有何区别呢？人类的大脑又何尝不是一个"生物程序"？或许只是大脑本身拒绝承认这个事实罢了。

既然都是记忆体，AI和人类之间还有什么本质差异呢？

多样化的输入模态

与语言模型或多模态模型相比，人类的输入形式更加丰富：视觉、听觉、味觉、触觉、感觉。LLM的文本输入形式对人类而言，类似于大脑内部的自我思考过程（书本上的文字实际上是通过视觉输入的）。

长期的记忆积累

人类的记忆从有意识开始（排除大多数人不太记得的幼儿早期），大约从3岁起（我还记得自己3岁第一次去幼儿园的场景，但这似乎是3岁时唯一的清晰记忆，其他幼儿时期的记忆锚点多属于4岁）。人类拥有长达数十年的持续输入，这些数据量虽然在文字方面可能不如LLM训练的数据多，但各种模态加起来的总量也相当可观。

人际关系的交互输入

一个人的"训练数据"还包括与他人互动的过程。每个人从小在不同的环境中成长，与不同的人接触，使用不同的"训练数据"，最终形成了独一无二的个体。

从这个角度来看，实现通用人工智能（AGI）似乎很简单：只需继续增加输入模态，比如为机器人添加视觉、听觉、触觉等能力。但实际情况可能并不那么简单：各种模态的训练数据获取难度不同。文字和图片可以从网站上爬取，但听觉、触觉、感觉以及实体间交互等形式的可用数据相比之下要稀少得多。