К библиотеке
Человек / 13 мин чтения
Психология и мышление / Память, внимание и мышление

Память цифрового помощника: как не перепутать прошлое с настоящим

История сообщений не равна памяти. Разбираем, как мозг соединяет эпизоды и обобщения, почему event sourcing сам по себе не защищает от устаревших фактов и как связать event time, valid time, transaction time и источник в памяти ИИ.

Ирина БеловаАвтор SEBERD

Надёжная цифровая память не выбирает между архивом и обобщением. Она хранит исходные события и производные факты отдельно, а для каждого факта различает время события, период истинности и момент, когда система узнала об изменении. Тогда помощник может ответить на два разных вопроса: что было верно и что он тогда знал.

Чёрный ящик не хранит сам полёт

Представим рабочий чат. Команда уже перевела сервис с Python на Go, но помощник отвечает: «Основной стек — Python». Он не выдумал эту фразу: в переписке действительно есть сообщение с таким содержанием. Просто оно было написано до миграции. Поиск сработал безупречно, ответ — нет. Помощник нашёл правильную запись и перепутал её с действующим фактом. Ошибка не в том, что он забыл текст. Он забыл время.

Бортовые самописцы принято называть чёрными ящиками, хотя их корпуса обычно ярко-оранжевые. И даже они не записывают полёт целиком. Один регистратор сохраняет звук в кабине — переговоры, сигналы, шумы. Другой фиксирует параметры самолёта: высоту, скорость, курс, положение органов управления. После аварии следователи сопоставляют эти записи с другими материалами и восстанавливают последовательность событий. Запись — ещё не сам полёт, а реконструкция — ещё не запись.

С человеческой памятью происходит нечто похожее, только без отдельного носителя, который можно положить на стол и перечитать. Мы не открываем внутри головы видеофайл с прошлым. Мозг собирает воспоминание из сохранившихся деталей, связей, общего смысла, знаний и нынешнего контекста. Поэтому память одновременно полезна и ненадёжна: она помогает ориентироваться, но не обещает точной копии.

Память начинается с отбора. Поток ощущений огромен, но устойчивый след появляется не у каждого впечатления. Внимание, значимость события и связь с уже известным влияют на то, что будет закодировано. Отсутствие подробного воспоминания не всегда означает, что человек плохо «записал» событие: часть информации могла не стать устойчивым эпизодом.

Представьте разговор о сроках проекта. Один человек помнит фразу «отправим после проверки», другой — «отправим во вторник». Через неделю оба могут искренне утверждать, что помнят договорённость. Возможно, один удержал условие, другой — дату, а позднейшее обсуждение незаметно достроило картину. Вопрос не обязательно в том, кто врёт. Иногда люди вспоминают разные части одного события и по-разному связывают их между собой.

Чтобы понять эту разницу, полезно посмотреть, как мозг одновременно удерживает отдельный эпизод и извлекает из него общую закономерность.

Почему мозгу нужны два способа обучения

Эпизодическая память связывает событие с обстоятельствами: где и когда оно произошло, кто участвовал, что было вокруг. Семантическая память удерживает знания и понятия, которым уже не обязательно помнить точный момент появления. Можно знать, что у кита есть лёгкие, не вспоминая урок биологии, на котором это впервые услышали.

Теория complementary learning systems, предложенная Джеймсом Макклелландом, Брюсом Макноутоном и Рэндаллом О’Райли, объясняет, зачем мозгу нужны взаимодействующие системы с разными темпами обучения. Гиппокамп быстро связывает детали нового опыта в эпизодический след. Распределённые корковые сети меняются постепенно, интегрируя множество событий и выделяя устойчивые закономерности. Это не две изолированные коробки и не точная карта «здесь факты, там смыслы», а функциональное разделение задач.

Если бы каждое новое событие сильно переписывало общие представления, свежий опыт мог бы разрушать уже усвоенное. В машинном обучении похожую проблему называют катастрофическим забыванием: дообучение на новых данных иногда ухудшает прежние навыки. Kirkpatrick и коллеги предложили Elastic Weight Consolidation как один из способов смягчить такое забывание. Сходство здесь функциональное, а не анатомическое: и мозг, и обучаемая модель сталкиваются с конфликтом между быстрым обновлением и сохранением прежней структуры.

Современная картина сложнее старой схемы. Модель C-HORSE была разработана Сюцевич и Шапиро, а в обзоре 2026 года Dhairyya Singh и Anna Schapiro сопоставляют её с экспериментальными данными. Разные пути внутри гиппокампа участвуют и в разделении эпизодов, и в извлечении закономерностей. Трисинаптический путь связывают с быстрым обучением отдельным событиям и разделением похожих следов; моносинаптический — с постепенным выделением повторяющейся структуры. Это модель, а не окончательная карта мозга. Важный вывод скромнее и интереснее: гиппокамп нельзя свести к роли простого регистратора эпизодов.

Сон не копирует воспоминания на другой диск

Во время сна мозг не просто отключается от внешнего мира. Исследования системной консолидации описывают повторную активацию представлений, связанных с гиппокампом, и согласованную работу медленных колебаний, веретён сна и других ритмов. Эти процессы помогают постепенно интегрировать следы опыта в корковые сети. Сон участвует в укреплении памяти, но одновременно меняет то, какие элементы опыта становятся доступнее.

Поэтому фраза «мозг ночью переносит воспоминания из гиппокампа в кору» слишком похожа на схему копирования файлов. Обзор Hannah Tarder-Stoll и коллег в Physiological Reviews (2026) описывает несколько уровней представления эпизода — от контекстных деталей до общего смысла. Они могут сосуществовать. При извлечении мозг в разной степени опирается на детали или обобщение — в зависимости от возраста воспоминания, текущей задачи и связи с прежними знаниями. Сон не просто сохраняет запись: консолидация меняет доступность и организацию материала.

Чтобы узнать дорогу домой, не нужно помнить цвет каждой машины на перекрёстке: достаточно схемы маршрута. Но если завтра перекроют мост, обобщение устареет. Память должна сохранять закономерность и замечать, когда привычное правило больше не помогает.

Почему уверенность не превращает воспоминание в факт

Психолог Дэниел Шактер описывает память как конструктивный процесс. Воспоминание собирается из фрагментов прошлого, знаний и текущих ожиданий. Эта способность помогает не только вспоминать, но и представлять возможное будущее: мозг комбинирует знакомые элементы, чтобы смоделировать ситуацию, которой ещё не было. Обзор Brunswick и коллег (2025) подчёркивает, что обновление воспоминаний может быть адаптивным и неадаптивным. Гибкость полезна, пока она не стирает различие между исходным опытом и позднейшим дополнением.

Исследования Элизабет Лофтус показывают, что сведения, полученные после события, способны повлиять на то, как человек его вспоминает. Это называют эффектом дезинформации. Позднее описание, наводящий вопрос или чужая версия могут смешаться с исходным воспоминанием. Важна не только сама деталь, но и её источник: видел ли человек это, услышал от другого, вывел логически или вообразил.

Для этого исследователи используют понятие source monitoring — оценку происхождения всплывшей информации. Мы пытаемся понять, откуда взялась деталь: из собственного восприятия, чужого рассказа, размышления или воображения. Обычно решение опирается на сочетание признаков — сенсорных, пространственных, временных, эмоциональных и смысловых. Но источник можно определить неверно. Иногда содержание остаётся в памяти, а обстоятельства его появления стираются; тогда услышанное начинает ощущаться как лично увиденное.

Российский пример показывает, почему нельзя сводить обновление памяти к одному механизму. В исследовании НИУ ВШЭ 2025 года сравнивали реконсолидацию и ретроактивную интерференцию: в пилоте участвовали 85 человек, в основной серии — 122. В основной серии влияние пространственного контекста и семантической близости оказалось значимым, но направление результата не совпало с первоначальным прогнозом интерференции. Авторы обсуждают зависимость воспоминания от внешнего и внутреннего контекста. Это не доказательство единственного механизма, а напоминание о сложности процесса.

Отсюда неприятное, но полезное различие: подробность и эмоциональная уверенность не являются гарантией точности. Это не значит, что всякая память ложна или что свидетельствам нельзя доверять. Это значит, что при высокой цене ошибки нужно отделять воспоминание от независимых следов события. В авиационном расследовании показания людей не заменяют данные самописцев, а самописцы не объясняют всё без контекста и других свидетельств. Надёжность появляется при сопоставлении источников, а не от громкости одного голоса.

Как устроена память цифрового помощника

У программных систем есть архитектурный приём, который помогает разделить историю изменений и текущее представление данных. В обычной CRUD-модели приложение хранит последнее состояние объекта: поле обновили, прежнее значение исчезло, если отдельно не вели историю. Event sourcing устроен иначе: система записывает последовательность значимых событий, а текущее состояние получает, применяя их по порядку.

Допустим, в корзину добавили книгу, затем вторую, потом первую убрали и изменили адрес доставки. Обычная таблица может показать только нынешнюю корзину. Журнал событий позволяет восстановить, как она к этому состоянию пришла. Для быстрых запросов поверх журнала строят проекции — подготовленные представления, оптимизированные для чтения. CQRS часто используют рядом с event sourcing, разделяя модели записи и чтения, но это отдельный паттерн, а не обязательная часть событийной архитектуры.

Здесь есть функциональное сходство с памятью: отдельные события и обобщённое представление нужны одновременно. Но это не означает, что мозг реализует event sourcing. Биологическая память не обязана хранить каждый эпизод как неизменяемую запись; программная система, напротив, может быть обязана объяснить происхождение важного факта. Поэтому переносить нужно не анатомию, а принцип разделения: исходное свидетельство отдельно, рабочее обобщение отдельно.

Для помощника это особенно важно. Слово «память» часто смешивает историю сообщений, контекстное окно, векторный индекс и структурированные факты. Векторный поиск находит похожие фрагменты, но не решает сам по себе, какой факт актуален, откуда он взялся и к какой ситуации относится. Нужны исходные события и проекция, где видны контекст, свежесть и источник, а числовая уверенность остаётся оценкой, пока её не откалибровали на проверяемых случаях.

Особенно опасно терять область действия. Просьба отвечать кратко в справочных вопросах не означает, что человеку нужны короткие ответы при подготовке проекта. Факт должен хранить контекст: для какой задачи, роли и периода он был верен. Если контекст неясен, помощник должен спросить, а не превращать частный случай в постоянное свойство.

LongMemEval (ICLR 2025) содержит 500 вопросов на извлечение фактов, межсессионное и временное рассуждение, обновление знаний и отказ при отсутствии данных. Авторы сообщают примерно о 30-процентном падении точности коммерческих ассистентов и моделей с длинным контекстом при запоминании информации в длительных взаимодействиях. Работа Uddin и коллег вводит Memora — тест разговоров длиной от недель до месяцев — и метрику FAMA, которая штрафует систему за использование устаревших фактов. В оценке участвовали четыре языковые модели и шесть memory agents; авторы обнаружили частое повторное использование недействительных сведений. Обзор Luo и коллег (ACL Findings 2026) описывает три стадии развития памяти агента: Storage, Reflection и Experience. Во всех трёх случаях проблема не сводится к поиску похожего текста: важно понять, остаётся ли найденное утверждение верным.

Три времени, без которых помощник путает прошлое

В 1994 году S. Chakravarthy и S. Kim выделили три временных понятия для баз данных: event time, valid time и transaction time. Это не означает, что бивременная модель имеет три оси: в строгом смысле bitemporal — это valid time и transaction time, а event time описывает момент самого события. Систематический обзор 2026 года рассматривает именно две бивременные координаты и анализирует 54 публикации. Различие удобно увидеть на одном рабочем примере.

В начале месяца помощник хранит факт «сервис работает на Python». Пятого октября руководитель пишет: «Мы перевели его на Go первого октября». Само сообщение возникло пятого числа — это event time. Новый стек действует с первого октября — valid time. Система импортировала сообщение шестого октября — transaction time. Три даты описывают не одно и то же: когда пришло свидетельство, с какого момента оно истинно и когда база узнала об этом.

Теперь зададим два вопроса. Что было верно третьего октября и что помощник знал четвёртого? Ответ — Python: сведения о переходе ещё не поступили. Что было верно третьего октября согласно данным, которые помощник знает шестого? Ответ — Go. Если позднее выяснится, что переход фактически завершился двадцать девятого сентября, систему можно исправить задним числом, сохранив, когда именно она узнала об исправлении. Это и есть разница между историей мира и историей знания о мире.

В схеме event_time относится к событию, valid_from и valid_to — к периоду истинности факта, recorded_from и recorded_to — к периоду, когда именно эта версия находилась в базе. Интервалы удобно считать полуоткрытыми: начало включено, конец не включён. Даты нормализованы в UTC ISO 8601 с одинаковой точностью, иначе текстовое сравнение в SQLite может дать неверный порядок. confidence_score — оценка, а не калиброванная вероятность. Ниже каркас, а не готовая библиотека памяти.

В рабочем запросе это две независимые координаты. Первая выбирает момент в мире, вторая — момент в истории базы. Для каждого факта проверяют, что его период истинности включает первую дату, а интервал версии в базе включает вторую. Тогда можно восстановить и прошлое состояние мира, и прошлое состояние знания.

ВОСПРОИЗВОДИМЫЙ ПРИМЕР
SQL
PRAGMA foreign_keys = ON;
CREATE TABLE memory_events (
 id INTEGER PRIMARY KEY, subject_id TEXT NOT NULL,
 kind TEXT NOT NULL, event_time TEXT NOT NULL,
 recorded_at TEXT NOT NULL, source_ref TEXT NOT NULL
);
CREATE TABLE memory_facts (
 id INTEGER PRIMARY KEY, subject_id TEXT NOT NULL,
 statement TEXT NOT NULL, scope TEXT NOT NULL,
 valid_from TEXT NOT NULL, valid_to TEXT,
 recorded_from TEXT NOT NULL, recorded_to TEXT,
 confidence_score REAL CHECK(confidence_score BETWEEN 0 AND 1),
 CHECK(valid_to IS NULL OR valid_to > valid_from),
 CHECK(recorded_to IS NULL OR recorded_to > recorded_from)
);
CREATE TABLE memory_fact_sources (
 fact_id INTEGER NOT NULL REFERENCES memory_facts(id),
 event_id INTEGER NOT NULL REFERENCES memory_events(id),
 PRIMARY KEY(fact_id,event_id)
);
CREATE INDEX idx_facts_valid ON memory_facts(subject_id,valid_from,valid_to);
CREATE INDEX idx_facts_recorded ON memory_facts(subject_id,recorded_from,recorded_to);
-- :world_time = moment in the world; :known_at = moment in the database
SELECT f.statement,f.scope,e.source_ref
FROM memory_facts f
LEFT JOIN memory_fact_sources fs ON fs.fact_id=f.id
LEFT JOIN memory_events e ON e.id=fs.event_id
WHERE f.subject_id=:subject_id
 AND f.valid_from<=:world_time
 AND (f.valid_to IS NULL OR :world_time<f.valid_to)
 AND f.recorded_from<=:known_at
 AND (f.recorded_to IS NULL OR :known_at<f.recorded_to);

Почему неизменяемый журнал не должен хранить всё навсегда

У event sourcing есть цена. Журнал растёт, события приходится версионировать, проекции — перестраивать, а их обновление может происходить с задержкой. В исследовании Overeem и коллег, основанном на разборе 19 систем и интервью с 25 инженерами, среди практических проблем отдельно отмечены эволюция схемы, восстановление проекций и приватность. Microsoft также предупреждает, что event sourcing усложняет разработку и оправдан не для каждого участка приложения.

Есть и конфликт с правом на удаление. Неизменяемый журнал удобен для аудита, но персональные данные нельзя автоматически объявить вечными только потому, что так проще устроено хранилище. Статья 5 российского закона № 152-ФЗ требует ограничивать обработку конкретными целями и не хранить данные дольше, чем этого требуют эти цели. Статья 21 устанавливает обязанности и сроки прекращения обработки, уточнения и уничтожения в зависимости от основания; это не универсальное требование мгновенно стереть любую запись по первому сообщению.

Практический выход — не складывать весь личный текст в append-only журнал без необходимости. В событии можно сохранить тип действия, время, область применения и ссылку на защищённое хранилище, а само значение держать отдельно с собственными правами и сроком хранения. Но разнести содержание и метаданные по разным хранилищам недостаточно. Идентификатор, время, ссылка на источник и редкая последовательность действий могут сами раскрывать личность. Поэтому правила доступа и срока хранения должны распространяться и на эти следы, а не только на основной текст.

Полный event sourcing нужен не каждому приложению. Для переключателя темы или временного фильтра обычной таблицы достаточно. Событийная модель оправдана там, где действительно важны история изменений, объяснимое происхождение фактов, восстановление состояния на прошлый момент или несколько представлений одних данных. Архитектура должна обслуживать задачу, а не демонстрировать любовь разработчика к сложным схемам.

Память должна помнить, откуда она знает

Удобный тест состоит из двух вопросов: что было истинно в мире в выбранный момент и что помощник считал истинным на тот момент, когда отвечал? Затем спросите, какой исходный источник поддерживает вывод. Временные поля позволяют разделить первые два вопроса, а таблица источников отвечает на третий.

В разговоре о памяти полезнее начинать не с объёма хранилища, а с границы между фактом и сообщением о нём. Архив отвечает за сохранность записи. Память должна ещё объяснить, когда утверждение было верным, когда система о нём узнала и на какой источник опирается. Без этого даже безупречный поиск выдаёт прошлое за настоящее.

Источники

  1. McClelland, McNaughton, O’Reilly — Why There Are Complementary Learning Systems in the Hippocampus and Neocortex (1995) ↗
  2. Singh, Schapiro — Evidence for complementary learning systems within the hippocampus (2026) ↗
  3. Sučević, Schapiro — A neural network model of hippocampal contributions to category learning (2023) ↗
  4. Tarder-Stoll et al. — Adaptive episodic memory: how multiple memory representations drive behavior in humans and nonhumans (2026) ↗
  5. Klinzing, Niethard, Born — Mechanisms of systems memory consolidation during sleep (2019) ↗
  6. Schacter — Constructive memory: past and future (2012) ↗
  7. Loftus — Planting misinformation in the human mind: a 30-year investigation of the malleability of memory (2005) ↗
  8. Johnson, Hashtroudi, Lindsay — Source monitoring (1993) ↗
  9. National Transportation Safety Board — Cockpit Voice Recorders and Flight Data Recorders ↗
  10. Australian Transport Safety Bureau — Black box flight recorders ↗
  11. Overeem et al. — An Empirical Characterization of Event Sourced Systems and Their Schema Evolution (2021) ↗
  12. Microsoft Learn — Event Sourcing pattern ↗
  13. Neelamegam et al. — Comprehensive insights into bitemporal databases: a PRISMA-guided systematic literature review (2026) ↗
  14. Wu et al. — LongMemEval: Benchmarking Chat Assistants on Long-Term Interactive Memory (ICLR 2025) ↗
  15. Uddin et al. — From Recall to Forgetting: Benchmarking Long-Term Memory for Personalized Agents (Findings of ACL 2026) ↗
  16. Федеральный закон № 152-ФЗ «О персональных данных», статья 5 ↗
  17. Федеральный закон № 152-ФЗ «О персональных данных», статья 21 ↗
  18. Малышева, Ануфриева — Роль механизмов реконсолидации и интерференции в обновлении эпизодических воспоминаний (Психологические исследования, 2025) ↗
  19. Chakravarthy, Kim — Resolution of Time Concepts in Temporal Databases (1994) ↗
  20. Luo et al. — From Storage to Experience: A Survey on the Evolution of LLM Agent Memory Mechanisms (Findings of ACL 2026) ↗
  21. Kirkpatrick et al. — Overcoming catastrophic forgetting in neural networks (PNAS, 2017) ↗
  22. Brunswick et al. — Not the same as it ever was: A review of memory modification, updating, and distortion in humans and rodents (2025) ↗