Perplexity がエージェントの作業文脈グラフを構築し夜間に学習する自己改善型メモリシステム「Brain」を発表

ほとんどの AI メモリはユーザーを記憶します。あなたの好み、趣味、役割を保存するのです。Perplexity は異なる道を進んでいます。本日、Perplexity はエージェント製品「Computer」のための自己改善型メモリシステム「Brain」を発表しました。Brain はあなたを記憶することに焦点を当てているわけではありません。それはエージェントが行ったことを記憶します。これにより、AI におけるメモリの役割が再定義されます。 Perplexity の Brain とは Brain は自己改善型のメモリシステムです。Computer が行う作業の文脈グラフ（context graph）を構築します。夜間などの設定された間隔で、Brain はそのグラフを見直します。そして、より効率的に作業を行う方法を自ら学習するのです。考え方はシンプルです。作業量が増えれば増えるほど、Brain はあなたの Computer をより効率的にします。Brain は本日、Perplexity Max および Enterprise Max のサブスクライバー向けに Research Preview として展開を開始しました。 AI メモリの二つの軸 Perplexity はメモリを二つの軸で捉えています。第一は「メモリが何についてのものであるか」です。第二は「メモリが何のためにあるのか」です。 従来の AI メモリはユーザーに関するものでした。好み、趣味、作業スタイル、連絡先、役割などを保存します。その目的はエンゲージメント（engagement）の向上です。エージェントとの関わりをより深めて感じさせるために役立ちます。Brain は別の道を選びました。そのメモリはエージェントの作業に関するものです。何が成功し、何が失敗し、どのような修正が行われたかを記憶します。その目的はパフォーマンスの向上です。Perplexity は、エージェントをより良くするのをメモリの最も重要な目的と呼んでいます。 次元 従来のユーザー向けメモリ Brain（作業用メモリ） 何についてのものであるか ユーザー エージェントの作業 何記憶するか ユーザーの好み、嗜好、作業スタイル、連絡先 エージェントが行ったこと、成功したこと、失敗したこと、修正内容 何のためにあるか エージェントとの関与感を高める エージェントが業務をより上手に行えるよう支援する 何を生み出すか ユーザーのプロフィール 追跡可能な作業の文脈グラフ 文脈グラフの仕組み Brain は Computer に対して生きた文脈グラフ（context graph）を構築します。このグラフは追跡可能です。Computer がユーザーの世界を理解し、その業務から学習するのを助けます。この文脈層は LLM ウィキ（LLM wiki）の形式をとります。そのウィキは自動的にエージェントのサンドボックスに読み込まれます。ページにはユーザーの世界にあるアイデア、人物、プロジェクト、その他の要素が反映されます。Computer はこの個人情報のウェブをたどることができます。 Brain システムは夜間にウィキを逐次的に更新します。ユーザーのセッション結果、コネクタの結果、ソースドキュメントの変更、および行われた修正を統合して生成します。このように刷新された文脈により、Computer は何をすべきか、どこを見るべきかをより明確なシグナルとして得ることができます。 Brain はまた、その作業過程も示します。すべての記憶エントリは、それが由来するセッション、ファイル、またはソースへとリンクされています。この追跡可能性はデバッグと信頼のために重要です。 再帰的自己改善 Brain は、Computer を使用するほどに向上します。エージェントは、最良の出力につながるプロジェクト、コネクタ、アーティファクト、およびその他のソースを学習し、また失敗からも学びます。ユーザーが修正を行った際や、あるソースが行き止まりであったことを記憶します。その結果、ターン数が減り、モデル呼び出し回数が削減され、より優れた出力が得られます。このフィードバックループこそが、Brain を継続的に自己改善させる要因です。Perplexity チームは、現在のトークン使用量を、将来的により効率的なトークン使用に向けた投資と捉えています。 パフォーマンス数値 Perplexity は、自社テストからの初期測定結果を共有しました。 指標 報告された変化 条件 回答の正解率 +25% Computer が以前に遭遇したタスクにおいて 想起率 +16% 同じく初期の結果 コスト -13% 履歴的文脈を必要とするタスクにおいて Perplexity はまた、Brain の使用期間が長くなるほど結果が改善されると述べています。エージェントは時間とともにユーザーの世界を学習します。これらは初期の自社データです。 ユースケースと具体例 作業メモリ（work memory）はどのように役立ちますか？3 つの具体的なケースを検討してみましょう。 データサイエンティストが週次のパイプライン監査を実行します。Brain は信頼できるソースと過去の修正を記憶しています。次の監査は、より良いマップから開始されます。行き止まりが減ります。 サポートチームがコネクタを通じてチケットのトリアージを行います。Brain は過去のチケットを解決したソースを学習し、将来のチケットをより迅速にルーティングします。 開発者がリポジトリ間をまたいでデバッグを行います。Brain は前回重要だったファイルを記憶しています。Computer はモデル呼び出し回数を減らしながら根本原因に到達します。 いずれの場合も、学習の節約は履歴から生まれます。エージェントは同じ文脈を二度と学び直しません。 概念的な実装 Perplexity は Brain の API を公開していません。しかし、このパターンは容易にモデル化できます。以下の自己完結型の Python コードは例示であり、Perplexity のコードではありません。これは独立して実行され、「1 日目：レビューが必要」と表示した後、「2 日目：正解」と表示します。 コピーコードをコピーしました別のブラウザを使用してください # Brain のループの例示的な自己完結モデル — Perplexity の API ではありません。 class ContextGraph: def __init__(self): self.entries = [] # ログされたすべての項目はソースリンクを保持する self.lessons = {} # タスク -> 一晩で学習して再利用可能な教訓 self.pending = [] # 次の同期を待つ修正点 def retrieve(self, task): return self.lessons.get(task) # 関連メモリを読み込む def log(self, task, result, source): self.entries.append((task, result, source)) def log_correction(self, task, fix, source): self.entries.append((task, "correction", source)) self.pending.append((task, fix)) # 行き止まりから学ぶ def synthesize(self): # 一晩で行われるステップ for task, fix in self.pending: self.lessons[task] = fix # 自己改善のために教える self.pending = [] def agent_execute(task, lesson): # 学習した教訓を用いて、エージェントは既知の行き止まりを回避する return "correct" if lesson else "needs review" brain = ContextGraph() 翻訳全文 # Day 1: まだ記憶がないので、タスクの再検討が必要 lesson = brain.retrieve("debug repo") print("day 1:", agent_execute("debug repo", lesson)) brain.log_correction("debug repo", "ignore cached build", source="file:notes.md") brain.synthesize() # 夜間の Brain 同期 # Day 2: 同じタスクだが、今度は記憶に基づいて実行 lesson = brain.retrieve("debug repo") print("day 2:", agent_execute("debug repo", lesson)) 重要なステップは synthesize（合成）です。ここで夜間における自己改善が行われます。 試してみる：インタラクティブデモ 以下の埋め込みデモは、このループをシミュレートします。タスクを実行してコンテキストグラフ（文脈グラフ）を成長させます。修正をログに記録して行き止まりを示し、その後、夜間の Brain 同期をトリガーしてください。正解率と想起率が向上し、コストが Perplexity が報告した数値へと近づきます。これは概念を示すものであり、製品そのものではありません。 強みと未解決の課題 強み 作業に関する記憶（ユーザーに関する記憶だけでなく）は、エージェントのパフォーマンスに直接焦点を当てています。 コンテキストグラフ（文脈グラフ）は追跡可能であり、すべてのエントリがそのソースへとリンクされています。 夜間の合成により、過去のセッションがより良い出発点へと変換されます。 正解率、想起率、コストに関する報告された変化は具体的です。 未解決の課題 これらの数値は自社データであり初期段階のものであり、まだ独立したベンチマークは存在しません。 Brain は、Research Preview において Max および Enterprise Max のみに限定されています。 夜間更新とは、改善内容が即時ではなくスケジュールに基づいて適用されることを意味します。 コンテキストグラフに作業履歴を永続化することは、データガバナンスに関する課題を提起します。

Perplexity がエージェントの作業文脈グラフを構築し夜間に学習する自己改善型メモリシステム「Brain」を発表

背景や根拠まで確認しますか？

調べる

選ぶ

サイト

背景や根拠まで確認しますか？

ニュースの次に確認する

調べる

選ぶ

サイト