1. 谷歌论文再掀AI架构革命：Transformer与RNN合体，打破超长上下文显存瓶颈
谷歌的研究团队再次将矛头对准了AI模型的内存瓶颈。继上个月引发行业震动的TurboQuant研究后，本周一篇新论文提出了一种名为“记忆缓存（Memory Caching, MC）”的架构创新，旨在从根本上解决大模型处理超长文本时面临的算力与显存困境。该方法试图融合Transformer与循环神经网络（RNN）的优势，为AI解锁“超长上下文”能力的同时，大幅降低推理的资源门槛。 当前AI领域的主流Transformer架构，因其注意力机制的计算复杂度随上下文长度呈二次方增长，在处理长文本时面临极高的算力和显存成本。而作为替代方案的RNN、线性注意力或状态空间模型（如Mamba），虽然拥有固定的记忆容量和更低的资源占用，却受限于一个“...