Toto není RAG.
Toto je NCM.
AI, která si tě opravdu pamatuje — napříč modely i časem.
NCM (Neuromorphic Cognitive Memory) is an intelligent memory technology for language models, capable of retaining years' worth of conversations with your favorite LLMs. It doesn't replace the context window or RAG — instead, it works in perfect harmony with both, powering an AI that never forgets.
Memory Inspired by the Human Brain
NCM is anything but a database. Its unique temporal resilience draws inspiration from the human hippocampus. It features both short-term (STM) and long-term (LTM) memory layers, with the transition between them occurring during consolidation — the digital equivalent of biological sleep. Don't worry though, it's more of a power nap: roughly 20 s, once every ~50 iterations.
Old and irrelevant memories gradually fade, while strong and meaningful ones deepen over time. Recall is semantic — the memory can surface a relevant recollection through free association, much like when a new situation gives you the feeling you've been through something similar before.
NCM can also hold contradictory pieces of information simultaneously, and thanks to its chronological hierarchy, it delivers them in the right context. The user first said their name was Josef — then later said it was Jiřina. NCM knows which one counts.
NCM vs. Tradiční RAG
Běžný RAG (Databáze)
- Fragmentované vyhledávání nad uloženými dokumenty.
- Paměť závislá na aktivním kontextu.
- Vztahy nejsou dlouhodobě konsolidovány.
- Vyžaduje externí úložiště a indexaci.
NCM (Kognitivní paměť)
- Asociativní mapování v latentním prostoru.
- Kumulativní učení v řádu měsíců až let.
- Difuzní šíření asociací latentním prostorem.
- Minimální latence díky vnitřní integraci.
Kognitivní Architektura
Minimum System Requirements for Memory Module
Local-First soukromí
Veškeré výpočty i data zůstávají lokálně. NCM garantuje 100% anonymitu bez odesílání kontextu do cloudu.
Biologická inspirace
Využíváme principy homeostázy a konsolidace (spánek), které umožňují plynulé zapomínání nepodstatných dat.
Practice-as-a-Product
Soubor .ncm není jen backup. Je to serializovaný stav kognitivního enginu, který obsahuje kompletní síť vztahů a zkušeností získaných během práce na projektu. Při předání souboru kolegovi nebo klientovi nepředáváte data, ale funkční expertní kontext.
Publikace
Implementation of Persistent Latent Memory for Decoder Transformers
Persistentní paměť je nezbytná pro to, aby velké jazykové modely (LLM) mohly ukládat a rozšiřovat znalosti v dlouhých časových horizontech přesahujících limity kontextového okna. Tato práce navazuje na teoretickou Neuromorphic Cognitive Architecture a představuje implementaci persistentní latentní paměti pro Transformery. Paměť kombinuje ostrou reprezentaci paměťových stop jako latentních vektorových center (LTM: 64D klíče, STM: 16D klíče) s komprimovaným 3D terénem (48³), ve kterém se informace šíří difuzí a je homeostaticky vyvažována. Dvoufázový mechanismus čtení využívá TerrainPrior modul (3D prior) a MemoryAttention (RBF kernel attention) s řízenou integrací do dekodéru (gating). Výsledky ukazují, že navržená paměť dokáže uchovávat znalosti mimo kontextové okno po tisíce interakcí bez výrazné degradace.
Stáhnout publikaciPersistent Memory for Decoder-Only Transformers: Latent Terrain, Diffusion, Homeostasis, and Emotional Stabilization
Persistentní paměť je nezbytná pro to, aby velké jazykové modely (LLM) mohly ukládat a rozšiřovat znalosti v dlouhých časových horizontech přesahujících limity fixního kontextového okna. V této teoretické práci navrhujeme architekturu persistentní paměti pro dekódovací Transformery inspirovanou principy biologické paměti. Design kombinuje (i) ostré reprezentace paměťových stop v latentním prostoru (např. 64D) s (ii) komprimovanou 3D terénní vrstvou, ve které se informace šíří difuzí a je regulována homeostatickým návratem k rovnováze. Paměťové stopy dále nesou emocionální složky, které postupně difundují do terénu a následně stabilizují emocionální reakce při čtení. Klíčovým benefitem architektury je schopnost kumulativního učení v horizontu měsíců až let bez nutnosti přetrénování hlavních vah modelu.
Stáhnout publikaciChceš zažít kognitivní paměť v praxi?
Začni s NCM modulem ještě dnes a posuň svou interakci s AI na novou úroveň.
Vyber si svůj plán