Anthropic が夢と顕著性技術を用いて AI メモリを探る

Anthropic は、AI エージェントのメモリシステムの設計に関する新しい洞察を発表しました。これは、Claude モデルがセッション間で知識を保持し整理する方法に焦点を当てています。研究は「エージェントメモリのコンポーネント」と題され、2026-11-06 に発表され、メモリ機能を強化するための「夢見」や顕著性タグ付けなどの戦略が述べられています。

人間の認知に触発されたメモリの組織化

この研究は、人間のメモリプロセスと AI メモリシステムの類似点を引き出しています。人間では、海馬がリアルタイムで経験を捉え、睡眠などのオフライン期間は脳がこれらの経験を長期的な知識として新皮質に統合することを可能にします。同様に、Anthropic は Claude に「夢見」プロセスを採用し、モデルはアイドル期間中にセッションログを反映して誤りを修正し、メモリをウィキなどの関連表現に再整理します。

Anthropic の Dreams API は、既存のメモリストアやセッション記録を活用して、元のデータを変更することなく洗練された出力を生成するこのプロセスを容易にします。この非同期作業は、一つから 100 のセッション記録を含むことができ、モデルが情報を効果的に統合し検証できるようにします。

Claude のメモリ機能の評価

Anthropic は、Continual Learning Bench (CL-Bench) 1.0 やその他のベンチマークを使用して Claude のメモリシステムをテストしました。一つの実験では、Claude にデータベースクエリに回答し、今後のパフォーマンスを改善するためのメモリノートを書かせるタスクが与えられました。Claude Opus 5 や Opus 5.5 のような高度なモデルは、検証されたルールを記録し、潜在的な落とし穴を特定することによって学習のループを閉じる能力を示し、Sonnet 4.6 や Opus 4.7 のような以前のバージョンに比べてパフォーマンスで優れました。

別の評価では、Claude の Pokémon Red をプレイする能力を使って、メモリに何を保存するかの判断をテストしました。Sonnet 3.7 のようなモデルは詳細だが過剰なメモリファイルを書き、その結果効率が低下しましたが、Fable 5 は顕著な情報を優先し、より良いパフォーマンスを得ました。Fable 5 は九つのメモリファイルのみで四つのバッジを獲得し、Sonnet 3.7 は一つのバッジと 413 のファイルを持ちました。

夢見がパフォーマンスに及ぼす影響

Anthropic はまた、ウィキ構築実験を通じて夢見がメモリ統合に与える影響を探りました。約 350,000 の内部文書を使用して、研究は夢見セッションを二つから 128 に増やすことで、評価基準におけるパフォーマンスが 13% から 48% に改善されることを示しました。別の例では、夢見がゲームナビゲーションタスク中の誤解を招くメモリノートを修正し、Claude が他の設定が失敗した場所で進行できるようにしました。

AI 実務者への重要な考察

研究は、持続的なストレージだけでは効果的な AI メモリには不十分であることを強調しています。メモリシステムは、長期的なタスクパフォーマンスを支えるために、証拠の確認、修正、組織化、選択的な取得を組み込まなければなりません。Anthropic の発見は、リアルタイムのタスク要求と将来の有用性のバランスを取るメモリプロセスの設計の重要性を強調し、AI 能力の向上において貴重な洞察を提供しています。