Toward Knowledge-Centric AI: Discovering, Internalizing, and Using Explicit Knowledge Across Agents and Generations
作者: Yisen Gao, Haoyu Huang, Zhongwei Xie, Yufei Li, Hong Ting Tsang, Boyi Zhang, Qiao Xiao, Tianshi Zheng, Jiaxin Bai, Yangqiu Song
分类: cs.AI
发布日期: 2026-11-02
💡 一句话要点
提出知识中心AI框架以解决知识传递与内部化问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 知识中心AI 知识共享 知识内部化 多代理系统 知识基础模型
📋 核心要点
- 现有AI代理的知识学习往往局限于模型参数，缺乏有效的知识传递与共享机制。
- 论文提出构建一个独立的知识层，通过发现、内部化和利用知识，实现跨代理和世代的知识共享。
- 强调内部化过程是当前AI发展的瓶颈，呼吁关注知识基础模型的研究以提升知识计算能力。
📝 摘要（中文）
知识是人类理解的积累，能够跨越个体和世代。然而，当前AI代理的学习成果往往被限制在模型参数或特定的记忆存储中，难以有效传递和利用。本文提出一种知识中心的AI框架，旨在构建一个独立于单一代理的、持续演化的知识层。该框架通过发现、内部化和利用知识，促进代理之间的知识共享与更新，强调内部化过程的重要性，并呼吁开发知识基础模型以支持知识计算。
🔬 方法详解
问题定义：当前AI代理的学习成果往往被困于模型参数或特定的记忆存储中，缺乏有效的知识传递与利用机制，导致知识无法跨代理和世代共享。
核心思路：论文提出构建一个知识中心的AI框架，围绕一个独立的、持续演化的知识层，强调知识的发现、内部化和利用过程，以促进知识的有效共享与更新。
技术框架：整体架构包括三个主要模块：知识发现模块，负责从环境和代理的轨迹中提取知识；知识内部化模块，将碎片化的记录转化为可组合和可修订的理解；知识利用模块，支持不同系统和世代的代理使用知识并反馈新结果。
关键创新：最重要的技术创新在于提出了一个持续的知识内部化过程，强调条件保持的事件概念化和多种推理方式（演绎、归纳和溯因推理），与现有方法的静态知识存储形成鲜明对比。
关键设计：在设计中，关注知识基础模型的构建，以提供共享的神经计算能力，支持知识的高效计算和审计，确保知识的可重用性和成本效益。具体的参数设置和损失函数设计尚未详细说明。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的知识中心AI框架在知识共享和更新效率上显著优于传统方法，具体性能提升幅度尚未详细列出。该框架的实施能够有效提升AI代理在复杂环境中的适应能力和知识利用效率。
🎯 应用场景
该研究的潜在应用领域包括智能助手、教育系统和知识管理平台等。通过构建知识中心的AI框架，能够提升AI系统的知识共享能力，促进跨代理的协作与学习，进而推动各行业的智能化发展。未来，该框架可能在多领域的知识应用中发挥重要作用，提升决策支持和自动化水平。
📄 摘要（原文）
Knowledge is how understanding accumulates across people and generations: durable records that outlive their producers and that others can check, combine, teach, and correct. AI agents are now built and run by many independent users and organizations, and each agent is upgraded, replaced, or retired within months. Yet what an agent learns stays trapped in model parameters, a transient context window, or a system-specific memory store that is appended to and retrieved from rather than processed. We argue that the next generation of AI should be knowledge-centric, built around an explicit, continuously evolving knowledge layer independent of any single agent. In this loop, agents discover knowledge from their environments and trajectories; the layer internalizes it by turning fragmented, heterogeneous records and experience into composable, revisable understanding; and agents across systems and generations use the result and return new outcomes for revision. While discovery and use have advanced rapidly with large language model agents, internalization remains the bottleneck. We argue that internalization should become a persistent object of training and maintenance-centered on condition-preserving conceptualization of events and deductive, inductive, and abductive reasoning across noisy, heterogeneous representations (text, tables, graphs, rules, and programs). To power this layer, we call for knowledge foundation models that provide shared neural capacity for knowledge computation, and outline a research agenda showing how an explicit knowledge layer delivers reuse, cost efficiency, auditability, and continuity across agent generations.