本文介绍 AI Agent 四大记忆分类与流水线，解析生产架构、选型方案及常见落地误区。
活久见！
一个生活在1931年之前，在训练数据里没见过任何一台计算机，跨越了将近一个世纪的AI——
居然写出了Python代码？？！！
家人们，这真这不是科幻小说……
模型名叫talkie-1930-13b.
操盘手是AI研究员Nick Levine、多伦多大学副教授David Duvenaud，以及大家熟悉的那位——真·GPT系列之父Alec Radford。
该模型训练数据有一条铁律，那就是1931年1月1日之后的任何一个字都不！准！进！
它不知道电视机、互联网为何物，它的世界，永远停在了1930年12月31日的午夜。
然鹅，最最最最魔幻的事儿来了，团队成员发现：
这个本不该知道罗斯福新政的AI，却把新政立法说得头头是道，连年份都报得出来的内种？？
更离大谱的是，当团队扔给它一道Python编程题时，这个跨越了将近一百年的过去之灵，竟然写出了它人生中的第一行Python？？
一个连计算机都没听过的AI，跨越百年写代码，这事网友们可坐不住了。
直接一个脑洞瞬间开闸，下面这位小哥连「穿越提问清单」都已经想好了，疯狂想尝试ing：
我到底睡醒了没，AI，真能跨越时空了？？
一个生活在1931年之前的老式儿模型
一个在1931年之前生活的模型，上知天文下知地理，还会编程，那咱高低得研究研究。
事实上，talkie是一个130亿参数的模型，它在2600亿tokens的1931年之前的英文文本上训练而成——
训练样本包括但不限于书籍、报纸、期刊、科学杂志等等。
从狄更斯到马克吐温，从爱因斯坦那年代的物理论文到百年前的烹饪书和礼仪手册，全都被打包喂了进去！！！
之所以选择1930年作为模型的知识截止点，也是有说法的，因为这是美国版权法中作品进入公有领域的边界～
那问题来了，为啥Alec Radford想做这么个项目呢？
事实上Radford及其团队想知道——
如果只让一个模型阅读1931年之前的所有英文文本，它会如何思考、如何对话、如何预测未来。
结果您猜怎么着，团队还真发现了几个《大瓜》。（好家伙.jpg）
模型被时代发展震惊到眩晕瘫坐
第一个发现，就是模型被时代发展「震撼到了」的曲线图——
团队从《纽约时报》的On This Day栏目里翻出了近5000个历史事件，一股脑儿全喂给了talkie，然后盯着屏幕看——这老兄对每件事到底有多「没料到」。
结果一条相当戏剧性的曲线就这么出来了：
1930年之前：talkie读得行云流水，惊讶值稳如老狗。 （talkie：嗯嗯，这些事儿俺都门儿清哈）
刚跨过1930年：talkie惊讶值开始悄悄爬升。 （talkie：诶？这事儿咋还能这样？）
1950–60年代：晶体管、电视机普及的年代，talkie惊讶值直接陡峭飙升，一柱擎天。 （talkie：等会儿，人类上天了？还整出个会动的盒子能放戏？）
再往后嘛——直接佛系平和了。（talkie：眩晕震撼瘫坐，人已懵，您随便吧……）
这波，也是刘姥姥进大观园了——质疑、理解、接受。
这模型还学会了Python
当然，眩晕震撼瘫坐曲线图还不是这次研究中最炸裂的发现，因为团队成员的第二个发现是——
一个没见过电脑的AI，居然学会了写Python？？？
在研究中，团队给talkie扔了一份OpenAI的HumanEval编程测试集。
在prompt里塞几个Python函数当示范例子，然后让talkie看完直接解新题，也就是让模型靠上下文现学现卖～
在这个测试中，团队还顺手把训练过现代互联网数据的同架构talkie-web也拉出来一起测，并画张对比折线图——
（黑线：Vintage LM，灰线：Modern LM）
结果就是一个雷霆暴击，talkie真的解出来了，人家直接把加密函数里的+5改成-5，然后交卷。
是的，只改了一个字符，但答案完全正确……
不仅如此，团队发现一个清晰的趋势，那就是——模型规模越大，能解出来的编程题越多。
换句话说，虽然目前还远不及现代模型，但复古模型的「凭空学代码」的能力也在Scaling Law的作用下稳步爬升。
对此团队也表示，他们希望复古模型能帮整个AI圈搞清楚一个根本问题——LLM到底能泛化到训练数据之外多远。
1930年模型VS2026年模型
老话说得好，有对比才有看头新发现。
为了搞清楚talkie到底有几斤几两，团队还用完全相同的架构和算力，又训练了一个喂现代互联网数据的双胞胎——talkie-web-13b。
并将两个模型放进各种标准LLM评测里打PK，结果可以说甚是微妙：
不出意外，talkie-1930在实际表现上确实落后于现代孪生兄弟。
但是当研究员把那些超出知识范围的题目剔除后（比如互联网、DNA相关的），两者的差距直接缩小一半。
更炸裂的是，在核心语言理解和数学计算任务上，新老模型的表现几乎一样好。
这个结论某种程度也说明了「理解语言」和「算数」这两项能力，似乎并不依赖你读了多少现代互联网内容。
剩下的差距，团队认为主要来自两个原因：一是OCR转录质量太差，毕竟1930年的报纸都是从扫描件里硬抠出来的。
二是语料题材分布不同，例如老报纸里科技含量低，烹饪礼仪含量高。
emm…大模型最值钱的那部分智能，可能跟「读没读过现代互联网」没太大关系？？
（talkie：俺要是生在2026年，我也能背GitHub啊喂！）
用1930年的礼仪手册，把AI调教成了聊天助手
大家知都道，要想让talkie这样的模型变成能对话的AI助手，传统做法是用ChatGPT那种现代指令数据。
但问题是，这样做会把21世纪的对话风格、价值观等时代元素统统注入回1930年的模型。
（talkie：好不容易当上民国先生，您一指令调教，俺直接张口就说「宝子们」了…）
而团队的解决办法，可以说是《神来之笔》——
他们直接去1930年之前的故纸堆里，考古出了一套训练数据：
包括教人怎么得体应答的礼仪手册、教人怎么回信的书信指南等等，然后再用Claude Sonnet 4.6当老师做强化学习训练，最后生成训练数据。
就靠着这些百年前的天然问答语料，团队硬是把talkie调教成了一个能聊天的AI助手。
然而，现实很快啪啪打脸——
团队发现，早期那个7B版本的talkie，经过强化学习之后，居然学会了用现代互联网那种1. 2. 3.的列表体说话。
要知道1930年的语料里，压根没有列表体这种超级现代感的东西的…..
而罪魁祸首——就是Sonnet 4.6。
因为Claude老师是现代AI，因为Claude老师喜欢列表体，所以talkie为了拿高分就学着用列表体说话了…
（真·投其所好啊…)
这恰好也反映出模型的训练一大问题，那就是AI反馈的训练方式，不可避免地会让模型沾上现代风格。
为了解决这个大bug，团队的下一个目标就是：有朝一日让talkie自己来当自己的老师。（doge）
Alec Radford是谁
talkie背后的团队成员之一——Alec Radford，也值得我们好好聊聊。
关于他，我们甚至可以说，今天AI圈的一大半「基建」，都跟他有关。
在OpenAI的近十年里，他是和Ilya Sutskever齐名的技术大神，初代GPT系列的奠基者——
包揽了GPT-1和GPT-2论文一作，也是GPT-3、GPT-4的核心贡献者，此外他还是多模态模型CLIP的主导者之一，像Whisper、DALL·E也都有他深度参与的身影。
他在2018年那篇开山之作里首次提出的基于Transformer的生成式预训练方法，直接奠定了后续ChatGPT和所有大模型的基础。
在2024年底，Alec告别老东家OpenAI转做独立研究， 2025年3月，他又以顾问身份加入了前OpenAI CTO Mira Murati创立的Thinking Machines Lab。
当我们回过头再看talkie本身，感觉整个事情也颇值得玩味——
当全世界都在卷AGI、卷推理模型的时候，GPT系列之父本人，却跑去和搭档们造了一个只活在1930年的AI。
按团队的路线图，今年夏天，GPT-3级别的复古模型就要发布，再往后，他们还想把语料扩展到一万亿tokens、扩展到非英语世界。
只是不知道，当它再次醒来的那一天，看到机器人跑马拉松、人手一台的智能手机、和遍地跑的Agent时——
会不会再次原地眩晕震撼瘫坐.jpg。
(模型使用入口我放下面了，感兴趣的友友可以和一百年前的AI对话试试～)
参考链接：
[1]报告链接：https://talkie-lm.com/introducing-talkie
[2]github链接：https://huggingface.co/talkie-lm
[3]模型对话入口：https://talkie-lm.com/chat
编辑：于腾凯
校对：李享沣
数据派THU作为数据科学类公众号，背靠清华大学大数据研究中心，分享前沿数据科学与大数据技术创新研究动态、持续传播数据科学知识，努力建设数据人才聚集平台、打造中国大数据最强集团军。
新浪微博：@数据派THU
微信视频号：数据派THU
今日头条：数据派THU
