원래 ZenSation Research blog에 게시되었습니다. ZenBrain은 오픈 소스입니다 (Apache-2.0).

기존 AI 메모리가 부족한 이유

대부분의 AI 시스템은 메모리를 평평한 벡터 스토어(flat vector store)로 취급합니다. 텍스트를 임베딩하고, 벡터를 저장하며, 코사인 유사도(cosine similarity)로 검색합니다. 작동하지만 근본적인 한계가 있습니다:

• 시간적 감쇠(temporal decay) 없음 — 3년 전의 사실이 어제 얻은 통찰과 같은 가중치를 갖습니다.
• 통합(consolidation) 없음 — 기억이 강화되거나 재구성되지 않습니다.
• 능동적 망각(active forgetting) 없음 — 모든 것이 영원히 저장되어 노이즈를 만듭니다.
• 관계적 맥락(relational context) 없음 — 사실들이 고립되어 존재하며, 그들 사이의 연결고리가 없습니다.

인간의 뇌는 이 모든 것을 해결합니다. 관련 없는 정보를 능동적으로 잊어버리고, 수면 중에 중요한 기억을 강화하며, 밀집된 연관성 네트워크를 구축합니다. 우리는 우리의 AI가 동일하게 하기를 바랐습니다.

7개 계층 (The 7 Layers)

ZenBrain의 HiMeS(Hierarchical Memory System) 아키텍처는 각각 고유한 인지 기능을 수행하는 일곱 개의 계층을 구현합니다:

Layer 1: 작업 기억 (Working Memory)

목적: 능동적인 과제 집중 — 당신의 정신적 스크래치패드입니다.

작업 기억은 현재의 맥락(context)을 보유합니다. 작고(인간의 작업 기억과 유사하게 약 7개 항목), 빠르며, 끊임없이 새로 고침됩니다. 작업을 전환할 때, 작업 기억은 지워지고 다시 로드됩니다.

Layer 2: 단기 기억 (Short-Term Memory)

목적: 세션 맥락 — 이 대화에서 기억하는 것들입니다.

단기 기억은 단일 세션에 걸쳐 지속됩니다. 대화의 흐름을 추적하고, 맥락을 유지하며, 연속성을 제공합니다. 세션이 끝나면 자연스럽게 감쇠됩니다.

Layer 3: 일화 기억 (Episodic Memory)

목적: 구체적인 경험 —

Layer 4: 의미 기억 (Semantic Memory)

목적: 사실 및 개념 — "PostgreSQL은 임베딩을 위해 pgvector를 지원합니다."

의미 기억은 시간적 맥락이 제거된 사실적 지식을 저장합니다. 이러한 기억은 반복적인 일화 경험으로부터 구축되는데, 이는 인간의 뇌에서 개별 에피소드가 점차 일반 지식으로 결정화되는 방식과 유사합니다.

Layer 5: 절차 기억 (Procedural Memory)

목적: 방법론적 지식 — 프로세스 및 워크플로우.

절차 기억은 _어떻게 무언가를 하는지_를 포착합니다. "사용자가 코드 검토를 요청하면, 먼저 diff를 확인하고, 다음 패턴을 분석한 후, 피드백을 제공합니다." 이는 성공적인 상호작용으로부터 학습되고 피드백을 통해 정교화됩니다.

Layer 6: 미래 기억 (Prospective Memory)

목적: 미래 계획 — "월요일에 후속 조치를 취하는 것을 기억하세요."

미래 기억은 의도와 계획된 행동을 처리합니다. 이는 AI가 사용자에게 사전에 알림을 보내고, 마감일을 추적하며, 미래의 약속에 대한 인식을 유지할 수 있도록 합니다.

Layer 7: 장기 기억 (Long-Term Memory)

목적: 영구 지식 — 당신의 삶의 경험.

장기 기억은 영구적인 저장소입니다. 시간이 지나면서 통합되고, 반복을 통해 강화되었으며, 중요함이 입증된 사실들이 여기에 존재합니다. 이 계층은 에빙하우스(Ebbinghaus) 스타일의 망각 곡선을 사용하는데, 이는 접근되지 않은 기억은 점차 희미해지지만, 각 검색(retrieval)을 통해 그 기억이 강화됩니다.

수면 통합: 비밀 무기

신경과학에서 수면 통합(sleep consolidation)은 뇌가 휴식 기간 동안 최근 경험을 재연하여 중요한 기억을 강화하고 약한 연결을 가지치기하는 과정입니다. Stickgold & Walker (2013)는 수면 중의 기억 통합이 학습에 매우 중요함을 보여주었습니다.

저희도 동일한 메커니즘을 구현했습니다. 유휴 기간 동안 ZenBrain은:

1. 아직 통합되지 않은 높은 중요도 점수를 가진 기억을 선택합니다.
2. 이를 재현(Replays)하여 시스템이 알고 있는 다른 모든 것의 맥락에서 그 중요도를 재평가합니다.
3. 헤비안 학습(Hebbian learning)(

npm install @zensation/algorithms @zensation/core

GitHub: github.com/zensation-ai/zenbrain

질문이나 피드백이 있으신가요? 댓글에 남겨주세요. 단일 계층, FSRS 수학, 또는 수면 통합 루프 중 어떤 것이든 더 깊이 다룰 준비가 되어 있습니다.