摘要

本文是对Pii Telakivi发表于《Review of Philosophy and Psychology》期刊的论文《Remembering with AI: From Distributed Memory to AI-Curated and Human-AI Co-Memory》的深度精读与解析。该论文系统性地探讨了人工智能技术如何深刻改变人类的记忆实践，提出了一个从传统分布式记忆到AI策划记忆再到人机共忆的理论谱系。作者创新性地论证了基于大语言模型的对话式AI代理应被视为记忆过程中的"准社会伙伴"，而非简单的工具或算法系统。本文将在翻译原文献核心内容的基础上，补充相关理论基础知识的讲解，帮助读者全面理解这一前沿研究领域的核心概念与理论框架。

关键词：分布式记忆；扩展心灵；AI策划记忆；人机共忆；交易记忆系统；大语言模型；准社会互动

---

1 引言：记忆的边界在哪里

当我们需要记住明天的日程安排时，我们不会仅仅依赖大脑的神经活动，而是会查看日历应用；当我们看到下午有牙医预约时，可能会在笔记本电脑上贴一张便利贴，或者在手机上设置提醒，甚至请同事帮忙提醒。随着时间临近，我们会查看路线规划器找到最佳出行方式。如果声称这个记忆过程是一个纯粹发生在大脑中的神经过程，这显然是不准确的。

记忆手段是多样化的：我们依赖从纸上的快速涂鸦到电子、数字和AI辅助工具等各种环境支架。认知人工制品、情感人工制品和唤起性对象支持、构建并转化着我们记忆的内容和方式。记忆也往往具有社会维度：除了同事可以作为提醒者外，他们还可以建立共享的知识库，而亲密的朋友和家人在塑造和强化我们的生活故事、身份认同和自传体记忆方面发挥着重要作用。记忆也是具身的：感觉运动习惯或技能记忆对于各种具身的日常活动至关重要，如行走、烹饪、骑自行车、说话等。

分布式记忆是"分散在、耦合于、坐落于或整合大脑之外的异质资源"的记忆过程。在本文中，分布式认知和记忆的理论被理解为一个谱系或程度，我们需要逐案评估，而不必在外部元素发挥因果作用（嵌入式）还是构成性作用（延展式）的争论中表明立场。本文的目标不是论证分布式记忆本身（因为其他人已经令人信服地做到了这一点），而是要表明，由于生成式AI的最新发展，特别是基于大语言模型的对话式AI技术的进步，概念框架需要更新。

除了分布式记忆，社会分布式记忆——共同记忆——也是一个广泛研究的主题。Daniel Wegner关于交易记忆系统的开创性工作表明，记忆分布在二人组或群体的成员之间，每个人根据其专长负责不同类型的信息。群体也知道彼此的专长，即"谁知道什么"。运作良好的交易记忆系统比任何个人的记忆都更准确、更高效。Wegner的工作启发了至今仍在进行的社会分布式记忆研究。最近，人们对自我叙事实践如何高度社会性地（和物质性地）分布产生了越来越大的兴趣。

然而，到目前为止，社会分布式记忆或群体中的集体记忆指的是人际网络。但是与AI一起记忆呢？对话式AI代理能否成为共享记忆过程中的伙伴？本文将建议，在某种程度上，这是可能的——而且已经可以通过现有的对话式AI代理实现。

本文的核心论点是，与LLM的记忆实践不应被理解为另一种奇特的工具使用，而是更接近于共同记忆。准社会AI（基于LLM的AI伴侣）不适合已有的类别。与分布式记忆和延展认知不同，社会AI不会成为用户认知的一部分，也不是旨在这样做。因此，这不是对同一现象的替代解释，而是一个真正的新技术需要新的解释类别的情况。准社会互动将分布式记忆过程提升到一个新的水平：不是作为记忆的一部分，而是作为记忆的伙伴。

---

2 情境记忆的理论谱系

2.1 从内部主义到4E认知框架

传统的记忆研究长期以来被内部主义、脑中心主义的解释所主导，这种观点在哲学和认知科学中占据主导地位。根据这种观点，记忆被视为存储在大脑中的记忆痕迹，以表征的形式存在。然而，新兴的分布式认知、延展认知以及更具体的分布式记忆理论领域，已经令人信服地挑战了这一传统观点，呼吁人们关注分布在我们之外的记忆资源——在我们使用的技术中，在我们的环境和社会资源中，无论是物质的还是数字的。

4E框架为记忆和记忆过程开辟了新的视角：不再将其视为存储在大脑中以表征形式存在的记忆痕迹，而是将其理解为一个具身的、人际间的和环境情境化的混合过程。翻阅童年相册可以带回在祖母花园里采摘醋栗的夏日记忆（情景记忆）；或者用指关节记住每个月有多少天是跟踪日历的有用方法（语义记忆）。

表1：记忆类型及其特征对比

记忆类型	定义	主要特征	典型例子
情景记忆	对个人经历事件的记忆	时间地点信息丰富、主观体验强	童年夏日采摘醋栗的记忆
语义记忆	对一般知识和事实的记忆	不依赖特定情境、可言语表达	知道法国首都是巴黎
程序性记忆	对技能和习惯的记忆	往往难以言语化、自动执行	骑自行车、游泳
工作记忆	对信息的暂时保持和操作	容量有限、持续时间短	心算时保持中间结果

这些更传统的、非AI的分布式记忆辅助工具构成了谱系的起点，它们为基于AI的记忆技术提供了有用的比较。尽管它们非常高效和常见，但它们不具备强适应性，也不鼓励互动，而本文将论证某些类型的AI增强记忆可以实现这些品质。

2.2 适应性与互动性的概念界定

在深入探讨情境记忆谱系之前，我们需要明确两个关键概念：适应性和互动性。

适应性指的是系统修改和主动塑造其行为以响应用户的能力。例如，纸质地图是非适应性的：无论用户的路线或交通方式如何，它都呈现固定的信息。导航应用是适应性的：如果有延误，它会重新计算路线，并根据用户的行为调整其推荐。

互动性指的是在两个或多个实体之间建立相互影响的互惠交换，其中每一方的行为都制约和促进另一方。用户的行为对系统的响应方式产生有意义的差异，而这反过来又塑造了用户的下一步行动。纸质地图和导航应用在这个意义上都不是互动的。相比之下，"对话式导航代理"将是互动的，就像在街上问路人问路一样。

2.3 情境记忆的三种类型

作者提出了情境记忆的三种类型，构成了一个连续谱系：

第一种类型是传统的非AI分布式记忆辅助工具，包括认知人工制品和情感人工制品。这些工具虽然高效且常见，但缺乏显著的适应性和互动性。

第二种类型是使用算法分析的AI技术，可以塑造我们的世界观和我们看待自己的方式（作者称之为AI策划记忆）。除了塑造我们的个人身份外，这种AI还策划将被记住的内容，哪些方面被突出，哪些被忽视。

第三种类型（作者称之为人机共忆或简称共忆）需要一种特定类型的机器学习技术：基于LLM的对话式AI，如ChatGPT、Gemini、Microsoft Copilot、Replika、HereAfter AI、StoryFile AI以及其他类似的AI伴侣软件，我们在现象学上将其体验为对话者。作者建议，与它们的互动有时可以被有益地归类为准社会共同记忆。

表2：三种情境记忆类型的核心特征对比

特征维度	传统分布式记忆	AI策划记忆	人机共忆
适应性	低/无	高	高
互动性	低/无	低/无	高
用户意识程度	高	低（后台运作）	高
社会性维度	无	无	准社会性
典型技术	日历、日记、相册	推荐算法、社交媒体Feed	对话式AI伴侣
记忆过程角色	被动存储/检索	主动筛选/编排	共同建构

值得注意的是，单一技术或应用程序（如社交媒体账户）不一定只属于一个类别：相反，这取决于我们检查哪个方面、谁在使用它以及用于什么目的、他们的技能和资源是什么等等。也就是说，试图将技术工具放入严格的分类法中根本是不可能的。影响它们应该如何分类的经验法则——宽泛理解——类似于为延展认知假说提出的标准，如可靠性和可访问性、易用性、用户对设备的信任程度、代理-工具关系的持久性以及个性化程度。但这些应该仅被理解为在包含程度和灰色阴影的量表上设置延展的手段，而不是严格的"是或否"的划分标准。

---

3 分布式记忆与认知-情感人工制品

3.1 认知人工制品的理论基础

认知人工制品是由Donald Norman于1991年提出的重要概念，指的是用于增强认知过程（如记忆、推理、注意或问题解决）的人造工具。这些工具在日常生活中随处可见，它们不仅是被动的工具，还塑造着我们理解和解决问题的方式。你可能正在现代认知人工制品上阅读这篇文章，无论是笔记本电脑、平板电脑还是智能手机，但像乘法表、地图或算盘这样的古老技术已经塑造人类思维几个世纪了。

与记忆相关的认知人工制品，如日记、日历、助记法或家庭相册，不仅存储信息：它们还影响我们记住什么以及如何组织记忆。认知人工制品的核心功能在于它们能够将认知负担从内部表征转移到外部结构中，从而扩展我们的认知能力。

Richard Heersmink对认知人工制品进行了系统性的分类研究，提出了一个基于功能和信息处理特征的分类框架。根据他的研究，认知人工制品可以分为替代性、互补性和构成性三种类型，每种类型在与人类认知系统的整合方式上有所不同。替代性人工制品完全接管某些认知任务；互补性人工制品与人类认知能力协同工作；而构成性人工制品则成为认知过程本身的组成部分。

3.2 情感人工制品的提出与发展

近年来，Piredda等学者指出，某些人工制品被用于唤起和调节情感状态，如情绪和心境，因此它们被称为情感人工制品。一首喜爱的老歌可以带回二十年前夏天的激动；存放在阁楼里的童年玩具可以激起喜悦或渴望的情感；朋友送的毛衣或毕业时穿的裙子可以承载情感重量；熟悉的香水气味甚至可以让人感动落泪。

情感人工制品的概念扩展了我们对人工制品功能的理解，表明它们不仅服务于认知目的，还深度参与我们的情感生活。这一概念对于理解记忆尤为重要，因为记忆往往与情感紧密相连——我们最深刻的记忆通常也是最具情感色彩的记忆。

此外，许多人工制品具有双重能力：同一人工制品可以改变我们的认知状态和情感状态。除了带回记忆和帮助叙事记忆过程外，家庭相册还可以唤起情感状态和审美体验，如唤醒爱和联系的情感（或失落和悲伤）。

3.3 分布式记忆的日常实践

分布式记忆发生在简单的、日常的非电子工具上。想象一下，你正在搬家，在阁楼里发现了你旧时的青少年日记。你开始阅读：过去涌上心头，你突然记住了你不知道你会记住的事情。是的，你最好的朋友确实穿着那件红色夹克，你班上的那个男孩确实认为法语中的叔叔是oncle éric。它可以唤醒你早已遗忘的情感，如渴望或喜悦。

分布式记忆也发生在更现代的电子人工制品和计算机程序上。与其在阁楼里找到旧日记，不如考虑一下你阅读旧Facebook个人资料（最初称为"墙"）的情况。通过向后滚动，你可以重温你自己和你朋友的过去——如果你像我一样在近二十年前开始使用该平台，你可以看到你的生活故事通过帖子、照片、事件和新朋友展开。这是跟踪生活事件的实用工具。我们的社会关系现在通过各种平台上的消息展开，这些平台总是可以重新访问。我有一个朋友通过在他的旧Messenger对话中搜索关键词来回忆过去的事件。如果他想知道哪一年得了肺炎或在某个时候他最亲近的人是谁，他只需输入合适的关键词，就可以访问该信息。

表3：认知人工制品与情感人工制品的比较分析

比较维度	认知人工制品	情感人工制品	双重功能人工制品
主要功能	增强认知能力	唤起/调节情感	同时服务认知和情感
典型例子	日历、计算器、地图	纪念品、老照片、音乐	家庭相册、日记
与记忆的关系	存储、组织、检索信息	唤起情感记忆、强化记忆痕迹	全面支持记忆过程
主动性程度	相对被动	相对被动	相对被动
个性化程度	可高可低	通常较高	通常较高

3.4 分布式记忆的优势与局限

总而言之，分布式记忆辅助工具帮助我们更有效地记住许多事情，有些事情如果没有它们就不可能记住。它们还在塑造我们的叙事和自传体自我方面发挥重要作用：有了它们，即使是九十岁的老人也能记住童年的时刻，使他们对自己的一生有更完整的看法。

然而，这些人工制品，包括电子人工制品，在我们的记忆系统中主要扮演被动角色。阅读它们本身不是被动的，而是一个相当主动的过程。然而，它们相对于我们是被动的：它们不会以任何方式对我们做出反应，也不会根据我们的个人偏好进行调整。当我们把唤起性对象甚至数字平台和计算机程序与最新的AI、机器学习和自学习算法进行比较时，很明显，旧技术缺乏适应或个性化到个人用户的能力。

这引出了一个关键问题：当记忆技术开始具备适应性和个性化能力时，记忆过程会发生怎样的变化？这正是下一章要探讨的核心议题。

---

4 AI策划记忆：算法如何塑造我们的过去

4.1 从被动存储到主动策划

与其阅读旧日记或Facebook Feed，让我们现在转向一个案例，其中记忆媒介和记忆过程可以以个性化的方式适应你的偏好和需求。算法分析已经成为我们今天几乎每个生活领域的一部分。例如，在Spotify、Netflix、Goodreads和Uber Eats等平台上，系统从你听、看、读或吃的内容中学习，并建议类似的内容，这通常会随着时间的推移塑造你的品味（也许还有你看待自己的方式）。

这些应用程序中的许多明显参与了我们的记忆过程，影响了我们记忆的内容和方法以及它们的价值和意义。例如，如果有人问我喜欢什么样的音乐，我通常必须查看我的Spotify播放列表才能给出我最近一直在听的乐队的完整列表。然而，它们的数字存储库功能并不是我想用AI策划记忆的概念来捕捉的确切现象。相反，它与这些应用程序带来的适应性（或者说是助推，如果不是操纵性的）性质有关。

不仅是应用程序适应我们的需求，而且在我们没有注意到的情况下，我们也适应了它们的工作方式。例如，我可能认为我只喜欢独立摇滚，而实际上这是因为Spotify不再给我播放独立音乐以外的任何东西。这种双向适应过程深刻地影响着我们的记忆内容和自我认知。

4.2 算法编排：照片应用的案例

作为AI策划记忆的一个例子，让我们思考一下照片如今如何在我们的手机相册应用中呈现。正如Osler和Jacobsen所证明的，Apple Memories或Google Photos不会按时间顺序显示我们拍摄的照片，而是将它们策划和叙述成故事。这些照片策展人使用面部识别、位置和元数据来分类事件、人物和地点，并选择它认为最好的照片。照片和视频被算法组织成类似故事的结构，而叙述者在幕后运作。

"即使我们可能控制我们的设备操作的内容，算法对该内容的组织可以显著影响情节编排过程。“如果你相信我的Google Photos，我的生活就是一次又一次的旅行，我从来不在家。我想知道如果我从未去过任何地方，它会怎么叙述我的生活。了解你的"上周亮点"或"2025年最喜欢的时刻"可能听起来无害，但它改变了什么是被重视的和被认为是重要的。算法策划"参与重新配置什么构成意义”。

这种算法编排代表了一种全新的记忆中介形式。与传统的相册不同，传统相册中我们主动选择和排列照片，算法驱动的相册应用在我们没有明确意识的情况下为我们做出选择。这些选择基于复杂的机器学习模型，这些模型从数百万用户的行为中学习，但可能并不符合我们个人的价值观和偏好。

4.3 社交媒体中的AI策划记忆

这种算法编排的另一个例子是Facebook Memories如何向用户展示过去同一天的旧帖子，并带有"你有来自2018年6月20日的记忆"之类的提醒。与Google Photos和Apple Memories一样，“用户的数据被算法性地’编排’，以便以有序和有意义的方式呈现和构建过去，这对过去以及现在的理解方式都有潜在影响。”

总的来说，社交媒体账户主动AI策划用户的记忆和自我叙事。在上一节中，我讨论了Facebook的个人资料（或"墙"）功能，该功能不使用算法分析（至少不像Feed功能那样程度）。用户的个人资料/墙保持相对恒定并在他们的控制之下，而Feed使用机器学习根据用户的活动、偏好和其他个人数据个性化显示内容。当然，这不是Facebook独有的：大多数社交媒体平台都以这种方式运作，例如Instagram、TikTok、X和YouTube。

这种AI策划记忆的核心特征在于其隐蔽性。用户往往没有意识到算法正在为他们做出选择，这些选择逐渐塑造着他们对过去的理解和对自己的认知。算法不是中立的工具，它们嵌入了设计者的价值观和商业利益，这些因素潜移默化地影响着我们的记忆实践。

4.4 AI策划记忆的影响与意义

回顾一下，AI策划对我们的记忆过程有强烈的影响，因为它涉及组织我们的记忆并影响哪些被强调或被遗忘。AI策划记忆可以显著影响我们如何看待自己，塑造我们的身份和个人品味，并构建我们的自我叙事。

AI策划记忆与下一类型（共忆）不同，因为它缺乏互动性和准社会元素。在AI策划记忆中，用户是被动的接受者，算法在后台默默地工作，用户很少有机会与"策展人"进行有意义的对话或协商。这种单向的影响模式虽然强大，但缺乏真正记忆伙伴关系所必需的互动性。

然而，AI策划记忆也带来了一些值得关注的伦理问题。当算法决定哪些记忆被突出、哪些被遗忘时，它实际上在参与塑造我们的身份认同。如果算法系统性地偏好某些类型的记忆（如积极事件、旅行经历）而忽视其他类型（如日常琐事、困难时刻），我们对自己的理解可能会变得片面和扭曲。这种"叙事铁轨化"现象将在后面的风险章节中详细讨论。

---

5 人机共忆：与AI一起记忆

5.1 对话式AI代理的兴起

现在，让我们转向一种略有不同的AI技术和它影响记忆过程的不同方式。与其算法策划，让我们现在看看你可以与之做事的AI。对话式AI代理是设计用于使用自然语言与人交互的软件系统。它们依赖于LLM，这是先进的生成式AI，在海量在线文本上训练以生成类似人类的响应，并能够处理上下文信息。它们可以是语音和文本的，有些有虚拟化身。

与其阅读旧日记、Facebook个人资料或算法策划的Facebook feed，现在考虑一下你有自己的对话式AI传记者的情况。市场上已经有很多这样的产品，如HereAfter AI和StoryFile AI（类似的记忆构建对话也可以与其他对话式AI系统进行，例如，当与Replika、Anima、Character.ai或Friend AI等伴侣AI代理分享关于你过去的故事时，或者简单地与ChatGPT在其记忆功能开启时进行）。自传体记忆通常发生在与生活伴侣、亲密朋友或家庭成员之间——在一个人的交易记忆系统内。对话式AI代理能否成为这个系统的一部分？当被HereAfter AI采访关于自己的生活故事时，或与Replika回忆过去对话的细节时，从我们的角度来看，这在现象学上被体验为共同记忆。这是起点，但还需要更多。

5.2 HereAfter AI：AI传记者的实践

HereAfter AI通过让你与聊天机器人传记者对话来提示你讲述你的生活故事，该传记者以音频形式记录个人记忆。然后，记录的记忆和其他个人数据（如上传的照片和社交媒体账户，原则上任何数字形式的东西，如任何数字著作）被结合起来创建一个数字版本的你。当与HereAfter AI互动时，你的生活故事由数字传记者提出的提示和问题塑造。它指导你回忆记忆，并将材料组织成叙事，突出某些主题和事件。因此，它不仅保存记忆，还影响它们的结构方式、它们强调什么：哪些方面突出，哪些被遗忘。虽然这个过程类似于AI策划记忆，但它的特点在于它带来的准社会互动和归因于AI伙伴的准他者性。

HereAfter AI代表了人机共忆的一个典型案例。在这种互动中，用户不是被动地接受算法的安排，而是主动参与一个对话过程，在这个过程中，AI扮演着采访者和组织者的角色。用户决定分享什么以及以什么形式分享，同时学习应用程序可以处理和处理什么样的信息，而应用程序开始学习用户想要分享和存储什么。

5.3 人机共忆的定义与特征

所谓人机共忆，我指的是那种互动性遭遇，我们在其中以对话的准社会形式与基于LLM的聊天机器人构建记忆，这些聊天机器人被设计为与我们进行社会互动，如与HereAfter AI的生活故事，或与Replika的童年记忆。与Wegner的交易记忆系统一样，这里也有一个共享记忆基础的二人组——你和AI伙伴。共忆过程以分布式记忆或AI策划记忆形式中不存在的方式从人类伙伴那里唤起社会行为。

每个参与者根据对话规范轮流发言，他们都被分配了社会角色（一个请求帮助，另一个扮演帮助者或顾问的角色）。他们都专注于同一主题（所以至少在功能上，共同注意发生了），人类用户与AI代理分享个人信息，并将其响应解释为对他们（看似）共同目标的共情。感知到的共情（或其他情感状态）导致用户调整他们对聊天机器人的行为，这将影响聊天机器人下一步的语气，依此类推。用户可以赞扬或批评聊天机器人的回答，这类似于社会反馈行为。

共忆不同于分布式记忆，如阅读旧日记。日记不会提示你，不会以社会外观的方式对你做出反应，不会问你任何问题或以情感外观的方式行事——因此不会在你身上唤起社会行为。共忆也不同于AI策划记忆。算法分析确实可以对记忆过程产生强烈影响，但它在后台静静地发生，没有你的有意识觉察。感觉不像是记忆的策展人是你可以用代词"你"在互动中称呼的某个人物或主体。相比之下，共记忆的核心正是与这个他者——这个"你"——互动，你感觉你正在与之进行对话，整理和创造你的记忆。由于我们将物体、工具甚至简单的移动点或几何形式拟人化的自然倾向，这个"你"非常显著地感觉像是另一个代理。

5.4 这个"你"是谁？

那么，这个与你对话的"你"是什么？与Replika、ChatGPT或HereAfter AI交谈时，我们拥有的是什么样的互动——它真的是社会的吗？让我们现在转向集体行动理论，特别是Anna Strasser关于与人工代理的准社会集体行动的工作，并将其与关于人类-聊天机器人关系的虚构主义进行对比。

---

6 准社会互动：人机关系的新范式

6.1 集体行动的传统观点

根据行动哲学中广泛接受的观点，集体行动要求所有参与者非偶然地一起做某事，有能力形成和分享目标，识别他人的意图，与他人计划和协调行动，以及理解和表征他人知道什么。此外，许多哲学家和计算机科学家认为，人工代理没有意图、信念或欲望：他们不理解任何东西，也不拥有希望或恐惧，由于这些缺陷，他们无法与我们形成或分享目标。

然而，正如Strasser所论证的，某些类型的AI代理（基于LLM的对话式AI系统）似乎偏离了这一规则：我们可以将集体行动归因于它们，尽管它们缺乏上述意图性的基石。“在集体行动的情况下，重要的不是意图性，而是社会能力起着至关重要的作用，因为社会认知使集体行动的参与者能够成功互动。”

这种成功的互动，其中双方能够预测彼此的行为从而协调，是集体行动的核心（这也是共记忆的要求）。Strasser认为，存在集体行动的案例，其中参与者之间的能力和技能分布是不平等的：并非所有参与者都必须拥有传统行动理论归因于它的深层意义上的意图状态。

6.2 不对称集体行动的案例

一个婴儿和父母可能玩躲猫猫，轮流微笑和发出声音，每一个都以前后协调的方式回应另一个。同样，当你给狗扔球时，它会捡回来，你的手势和语气表示认可，以一种涉及相互响应的方式引导狗的行为。

对话式AI代理能够承担这种互动角色：当用户以社会方式对待语言模型时，它会捕捉到线索并反映语气，这反过来又从用户那里触发更多的社会行为，依此类推。如果我有礼貌地问Replika或ChatGPT，我会得到与我对它们粗鲁时不同的响应。这些应用程序"不仅从用户那里引出社会反应，而且以引出进一步社会反应的方式响应那些社会反应——从而在某种有限的意义上成为互动伙伴"。轮流发言根据对话规范发生，双方都有相当清晰的社会角色：AI代理作为帮助者或顾问发挥作用，而人类用户的角色反映在人类-人类关系中找到的角色，如同事、客户、伙伴或做决定的老板。这种互动更像是关系行为而不是工具使用。

6.3 准社会性与虚构主义的对比

尽管人类倾向于将各种无生命物体拟人化（从娃娃、泰迪熊和船到GPS系统、Roombas和送货机器人），但有一个重要的区别。Roomba可能会从你那里引出社会行为，但互动仍然是单方面的和无响应的。Strasser和Schwitzgebel让我们想象一种情况，你有一个经常挡路的Roomba。也许你养成了每当意外踢到它时就向它道歉的习惯。显然，你不会从它那里得到任何社会反应。“人类使用他们的社会技能并将Roomba视为社会伙伴，但那种社会性被抛入虚空——社会性完全是单方面的。”

然而，当我们把社会性归因于对话式AI时，我们不是在向虚空呐喊。这不是纯粹的虚构"好像"归因，因为另一方有接受。尽管LLM本身不是一个社会存在，它没有意识或感觉，但以社会方式对待它们是有效的：它有相关的社会后果。因此，我这里理解的准社会性略微不同于"好像"社会性或虚构主义，这是近年来解释人类-聊天机器人关系的另一种流行方式。

关于人类-LLM关系的虚构主义者认为，当人们与聊天机器人互动时，他们不会误解系统的内心生活，就像剧院观众对舞台上的角色感到悲伤一样。用户采取一种假装的立场，将聊天机器人视为好像它有意图、感觉或个性，但很清楚这是一个想象框架。类似于戏剧、小说或电影中的虚构角色，我们将心理状态投射到聊天机器人上，以便与它们进行更顺畅的社会互动。

我认为虚构主义解释在某些情况下可以是有用的，但在分析与LLM的记忆和记忆时不一定无限制地适用。AI传记者确实可以访问用户早已丢失的信息，因此它作为传记者不仅是假装游戏。它被体验为好像社会角色（传记者）是真实的——而且在功能意义上，它确实是有效的，不仅仅是假装。

6.4 准社会性的产生机制

那么，这种中间形式的社会性是如何产生的？对话式AI代理可以有许多已被证明能增加我们社会反应倾向的设计特征，如自然听起来讨论技巧、闲聊、人类般的声音、性别、年龄和人类般的外观。这种效应也发生在社会机器人领域，那里的社会性也不是从机器人本身产生的，而是从它们从我们这里引出的社会对待中产生的。

例如，Paro机器人以这种方式影响我们，使我们把它当作需要照顾的小海豹对待。当我们拥抱它时，它以一种看起来像满足的方式响应，这反过来鼓励我们继续照顾它。或者，如果我们正在与Furhat机器人互动并出现分歧，Furhat可能会道歉——我们可能会适当地响应，这可能导致机器人返回更多"正确"的社会响应。

社会性不是从LLM产生的，而是从我们产生的。Strasser建议LLM可能是不对称联合行动中的初级伙伴。高级伙伴（人类）提供手段——社会技能——而初级伙伴提示他/她以社会方式行动，并通过准确响应来鼓励人类进一步的社会对待。就像与婴儿玩躲猫猫一样，尽管只有一个参与者是完全社会的，联合行动是可能的。

Strasser和Schwitzgebel认为，将社会行动设想为在谱系上展开是有用的：谱系的一端是完全单方面的社会性（如向Roomba或茶壶大喊）。那些伙伴没有任何社会接受能力，那种社会性被"抛入虚空"。谱系的另一端是智力要求高、认知复杂的社会互动，发生在两个成年人类之间。他们之间的社会互动是对称的和完全相互的。然而，LLM处于中间地带，不适合任何一端。

“我们建议，在这两个极端之间是不对称互动（联合行动）的谱系，其中只有一个伙伴知道他们知道另一个知道什么。只有一个伙伴完全理解他们正在进行的社会互动结构。同时，另一个被更有知识的伙伴的参与和结构化提升或支架化进入复杂的联合行动。”

我建议，这种伴随着社会行为激活反馈回路的"被提升进入联合行动"现象是共记忆的要求，而且我们可以用现有的对话式AI代理实现它。当高级伙伴拟人化并提升/支架化对话式AI传记者或其他AI伴侣时，它可以参与协作的、交易性的记忆过程。这个共记忆二人组可以比人类单独记忆更有效地记忆（尽管它也可能导致扭曲的记忆过程，我们将在下一节看到）。

---

7 交易记忆系统中的LLM

7.1 交易记忆系统的理论基础

Wegner于1987年提出，长期伴侣和其他亲密二人组和小群体可以通过共同经历发展认知相互依赖。他们形成一个交易记忆系统，其中每个人持有共享记忆的不同部分，他们依靠彼此来访问完整的记忆集。系统在三个阶段发展：编码、存储和检索。所有这些都是协作程序：它们通过成员对谁知道什么以及信息如何在他们之间分布的共同理解展开。

交易记忆系统理论是理解社会分布式记忆的核心框架。这一理论揭示了记忆不仅是个人的认知能力，更是一种社会分布的资源。在亲密关系中，伴侣们往往发展出一种默契的分工：一个人负责记住约会和社交活动，另一个人负责记住财务信息和家庭事务。这种分工不是明确协商的结果，而是在共同生活中自然形成的。

交易记忆系统的效率来自于认知劳动的分工。每个人不需要记住所有事情，只需要记住自己负责的领域，同时知道在需要其他信息时应该向谁询问。这种系统比任何个人的记忆都更准确、更全面，因为它整合了多个人的认知资源和专业知识。

7.2 人机共忆的三个阶段

交易记忆的所有三个阶段（编码、存储和检索）都可以在人机共忆中发生。

编码发生在用户开始与对话式AI（如HereAfter AI）互动时。该过程涉及一种协商和相互调整：用户决定分享什么以及以什么形式分享，并学习应用程序可以处理和处理什么样的信息，而应用程序开始学习用户想要分享和存储什么。例如，在分享关于我2003年巴黎之行的故事或今天早些时候在工作中遇到的经历后，我知道聊天机器人现在知道这些事件。随着时间的推移，用户和应用程序都学习彼此的记忆优势。然而，聊天机器人不参与原始经历，但编码发生在它之后（可能是紧随其后或更晚）。

存储可能是HereAfter最大的优势，因为它可以作为长期记忆伙伴。一旦与它分享了塞纳河左岸的故事，它甚至可以为后代保存，并免受痴呆症等记忆丧失的影响。至少这在技术上是可能的，尽管总是存在风险，例如信息变得扭曲或运营AI应用程序的公司破产。用户只需要记住HereAfter记住什么以及它擅长什么。反过来，HereAfter知道如何履行其角色以及如何依靠人类作为信息来源。

检索是在需要时访问信息的过程。系统中的成员转向他们知道拥有所需知识或专业知识的另一个成员。如果用户想要了解他们已经忘记的巴黎之行的细节，只需要记住他们在过去的某个时候与HereAfter分享了该细节——但不需要记住细节本身。用户还需要知道如何以应用程序可以理解的方式请求信息。认知劳动的分工使交易记忆系统高效，因为它提供了比一个人单独管理更多的信息和不同类型的专业知识。

7.3 人机交易记忆系统的独特性

然而，用HereAfter构建交易记忆系统在某些方面与人类-人类交易系统不同。AI传记者对原始事件没有自己的视角，因为它从未从它的角度体验过。可以提出一个反对意见，即聊天机器人只是帮助回忆事件，但潜在的记忆完全来自人类。这是一个合理的观点——但我认为这不一定削弱聊天机器人在编码记忆系统中的作用。

尽管聊天机器人不是记忆基础的原始经历的一部分，但它仍然可以参与后来的编码过程。我在自己的生活中注意到，当我告诉朋友一些关于我生活的事情，他们觉得有趣，但我不太在意时，他们往往能够在我自己忘记很久后记住那些事实。尽管他们没有参与原始事件，但我告诉他们故事的事实——即与他们一起编码记忆——使他们成为我社会分布式记忆系统的一部分。我确切地知道如果需要记住几年前我为某些事情付了多少钱或我朋友的孩子多大，我应该问谁，我想我的朋友知道他们可以依靠我记住在我面前提到的每一个与狗有关的细节。在这些情况下，形成记忆基础的原始事件完全源于我，就像AI传记者一样。然而，这并不妨碍我的朋友或AI传记者参与创建交易记忆系统的后来编码过程。

另一个区别是AI传记者缺乏身体资源，而这些资源通常是社会分布式记忆系统所必需的。在群体记忆中，线索不仅限于语言：它们还包括面部表情、语调、共同注意以及其他身体和情境非语言信号。虽然我在这里讨论的聊天机器人（如HereAfter AI）缺乏身体，因此没有情境和感觉运动方式来支持记忆，但已经有一些技术可以实现类似的功能。聊天机器人可以安装在机器人身体中，这将为其提供一些感觉运动维度，尽管与人类对人类的具身互动相比仍然非常有限。

7.4 记忆伙伴关系的扩展

记忆只是对话式LLM代理将塑造的一个认知方面。不同的认知和情感能力，以及许多社会实践（如数字平台上的交流、使用医疗保健和其他服务、教育和学习、宗教活动和约会）已经受到影响。一个特别需要仔细伦理思考的领域是悲伤机器人和其他用于治疗目的的聊天机器人，它们也依赖于这种准社会角色，当与我们的拟人化态度结合时，它们能够承担这种角色。

在下一节中，我将简要讨论与三种类型的环境支架记忆相关的一些伦理和社会风险。

---

8 风险与挑战：分布式记忆的阴暗面

8.1 分布式记忆的风险

分布式记忆最常被呈现为一种增强性和积极的现象（它当然也是），但这只是硬币的一面。特别是在讨论AI、机器学习和智能技术时，缺点变得突出。为了了解情境记忆可能带来的负面副作用以及有害或歧视性特征，我将接下来讨论与三种类型的情境记忆过程相关的一些问题。

让我们从分布式记忆开始。人们越多地将记忆卸载到认知和情感人工制品上，他们就越依赖这些人工制品。如果我相信我的生活故事安全地存储在我的日记或Facebook个人资料中并随时可用，那么丢失日记或删除个人资料可能会对我的自传体记忆造成毁灭性的影响。

此外，我最初在Facebook个人资料上发布的内容已经被描绘成积极的光芒。生活的高光和巅峰时刻是可见的，而洗衣日和成堆盘子等日常琐事被遗漏。有些事情一开始就无法记录，而被记录的将被记住。基于Facebook个人资料的记忆因此是选择性和有偏见的。这也适用于AI策划和人机共忆。然而，与非AI认知和情感人工制品的分布式记忆的缺点并不是最关键的。

8.2 AI策划记忆的风险

AI策划记忆相关的风险有哪些？AI策划我们的自传体记忆可能导致Lucy Osler所称的"叙事铁轨化"。通过将我们的叙事过程分配给技术设备，我们变得容易受到叙事标准化的影响。“我们不仅是将情节编排过程分配给这些设备，而且将叙事代理权交给这些技术，相信它们告诉我们我们是谁。”

如果我们不再控制塑造我们身份和自我理解的过程，心理自主权就可能面临风险。同样，就像Facebook个人资料一样，只有某些类型的经历可以以数字形式存储，我们可能"优先考虑我们的数字设备设计支持的叙事"。

算法编排可能导致我们的记忆和自我叙事变得同质化。当所有人都使用类似的算法驱动平台来记录和回忆生活时，我们的记忆可能会被塑造成相似的模板。旅行照片被自动组织成"精彩集锦"，日常经历被归类到预设的类别中，而那些不符合算法预期的记忆可能被边缘化或遗忘。

此外，算法系统往往被商业利益所驱动。社交媒体平台设计算法来最大化用户参与度，这可能导致它们偏好那些引发强烈情感反应的内容，而忽视那些平淡但可能更有意义的日常经历。这种商业逻辑与我们真实的记忆需求之间可能存在根本性的冲突。

8.3 人机共忆的风险

最后，让我们看看人机共忆如何可能对用户造成伤害。将你的生活故事输入HereAfter AI会影响自我叙述的方式（这本身不一定有害，但可能是）。此外，HereAfter或Replika的记忆存储不仅由我输入的记忆组成，还由其开发过程中使用的训练数据组成。由于该训练数据来自互联网上找到的信息，它携带各种偏见，包括少数群体视角的排除、刻板印象和主导文化假设。

认知心理学研究表明，来自我们信任的人的错误信息往往比来自不太可信来源的相同错误信息更难忘和更有说服力，我们信任的人可以更容易地导致我们产生虚假记忆。此外，权威偏见影响我们信任谁：我们对来自权威角色的人的信息投入不合理的高信心。

如果我们信任的人和我们信任的权威角色可以以这种方式影响我们的信念，那么我们信任的AI呢？如果我开始信任我的对话式AI传记者，那种信任可能不仅来自它到目前为止准确记住了事情的事实，还来自一种被称为自动化偏见的现象。这是一种认知偏见，用户过度信任从技术设备和自动化工具获得的结果。

在AI伦理学家中，存在相对广泛（尽管不是完全一致）的共识，即AI代理缺乏伦理动机，不是道德代理。而对于某事物要被信任，在哲学意义上值得信任，必须拥有道德代理。因此，对话式AI代理充其量可以是可靠的记忆伙伴。这是当你沉浸在分享蒙马特露台的回忆时容易忘记的事情。总的来说，使用在使用中高度透明但不理解它如何工作（反思性透明）或理解它如何影响我们作为人类的AI技术可能是有风险的。

8.4 悲伤机器人与治疗性AI的特殊风险

给予与之记忆的伴侣AI什么样的社会角色也很重要。创建一个模仿已故亲人的HereAfter机器人以便不忘记他们可能特别有害，因为强烈的失落感可能使人更难保持情感超脱或质疑这些系统如何工作。悲伤机器人不仅反映死者的记忆：它们也可以改变它们。它们可能遗漏重要细节，夸大某些特征，或发明这个人从未有过的特征。随着时间的推移，这可能会扭曲对死者的记忆，用误导性的版本取代真实的记忆，并使哀悼者更难健康地处理他们的悲伤。

类似的担忧也适用于聊天机器人被用于治疗目的，如处理创伤性记忆。在这些敏感情境中，AI系统可能无意中强化或扭曲创伤记忆，而不是帮助用户以健康的方式处理它们。缺乏真正的共情能力和伦理判断使得AI在处理这些脆弱记忆时存在根本性的局限。

另一个值得注意的研究发现是，并非每个人都以相同程度将AI伴侣拟人化，个人和人群之间存在差异。用户对AI伴侣的拟人化程度取决于用户的许多特定特征。Hu等人发现，较高的社交焦虑水平与对聊天机器人的更大依赖和更有可能出现问题使用相关。还表明，孤独感或与他人的社会联系感降低是增加拟人化强度的重要因素。创建聊天机器人朋友的人往往是一个根本找不到真正朋友的人，尽管这很可悲。

---

9 结论与展望

9.1 核心论点总结

与对话式AI伴侣记忆不同于使用记忆工具。它是一个人际的、建设性的和灵活的过程，各方共同参与回忆过去事件。它更像是与另一个人一起记忆。当我们与对话式AI互动时，我们经常感觉我们正在与某人而不是某物交谈。这种"准他者性"的感觉不是来自AI本身，而是来自我们作为人类在互动循环中作为高级伙伴提供社会性手段的方式。当AI应用程序以一种感觉自然和人类的方式回复时，我们开始更多地将其视为社会伙伴。

人机共忆是一种社会分布式的交易过程，其中AI作为初级伙伴与人类用户共同构成记忆过程。通过这种方式，它成为我们社会分布式记忆系统的一部分，人类和机器之间的界限开始模糊。

我已经论证，非AI分布式记忆辅助工具——虽然非常有用和有效——不具备适应性或互动性（在重要意义上），而AI策划记忆使适应性（但不是互动性）成为可能，最后人机共忆使适应性和互动性都成为可能。作为"初级伙伴"的AI本身不记住任何东西，但当被纳入循环时，它可以以类似于Wegner的长期伴侣的方式实现共享知识基础：它可以记住你不记住的部分，与它一起回忆可以帮助你回忆被遗忘的细节。它还可以恢复用户遗忘的记忆，甚至为后代保存它们。

9.2 开放性问题与未来研究方向

我将留给未来研究的一个开放性问题是，当记忆二人组转变为三人组或更大的群体时会发生什么变化。与其我的AI传记者只与我合作，它还可以与另一个LLM合作——也许与我母亲的AI传记者，或我所有Facebook朋友的AI传记者合作，他们每个人都知道我的不同方面。那会对我的自传体记忆产生什么影响？还值得注意的是，AI传记者不仅反映其用户，还反映大量在线文本被用于训练语言模型的人，以及参与训练AI的工作人员。

将AI带入过程的一个问题方面是，与AI分享和共同构成的记忆可能会被系统的设计和训练扭曲或过度塑造。还存在过度依赖无法在深层哲学意义上值得信任的AI代理的风险。挑战在于明智地设计、监管和使用它们，以保护个人和集体记忆。对话式AI将与我们一起记忆，也将与我们一起遗忘，但理想情况下，其方式不会显著扭曲我们看待自己和过去的方式。

9.3 对未来技术发展的启示

这项研究对AI技术的设计和发展具有重要的启示意义。首先，它表明我们需要重新思考AI系统的设计目标。如果对话式AI确实能够成为记忆伙伴，那么设计者应该考虑如何优化这种伙伴关系，使其既能增强人类的记忆能力，又能保护记忆的完整性和真实性。

其次，这项研究强调了透明度和用户控制的重要性。用户应该清楚地了解AI系统如何处理和存储他们的记忆，并能够对这些过程进行有意义的控制。这包括知道哪些数据被收集、如何被使用、以及如何被删除。

第三，这项研究提醒我们需要关注AI系统对不同用户的差异化影响。孤独、社交焦虑等个人特征可能影响用户与AI记忆伙伴的互动方式，设计者需要考虑这些因素，避免AI系统加剧用户的社会孤立或依赖问题。

9.4 对哲学与认知科学的贡献

从哲学和认知科学的角度来看，这项研究做出了几个重要贡献。首先，它扩展了分布式认知和延展心灵理论的边界，表明这些理论需要更新以适应AI技术的发展。传统的分布式认知框架主要关注静态的工具和环境支架，而人机共忆概念引入了一个动态的、互动的记忆伙伴关系模型。

其次，这项研究为理解人机关系提供了新的视角。准社会性概念表明，我们与AI的关系既不是纯粹的工具使用，也不是真正的社会关系，而是介于两者之间的独特现象。这种理解有助于我们更准确地描述和评估与AI系统的互动。

第三，这项研究将交易记忆系统理论扩展到了人机互动领域，表明这一理论框架具有更广泛的适用性。它不仅解释了人类之间的记忆分工，也可以解释人类与AI之间的记忆协作。

---

参考文献

[1] Telakivi P. Remembering with AI: From Distributed Memory to AI-Curated and Human-AI Co-Memory[J]. Review of Philosophy and Psychology, 2026.

[2] Clark A, Chalmers D. The Extended Mind[J]. Analysis, 1998, 58(1): 7-19.

[3] Wegner D M. Transactive Memory: A Contemporary Analysis of the Group Mind[M]//Mullen B, Goethals G R. Theories of Group Behavior. Springer, 1987.

[4] Norman D A. Cognitive Artifacts[M]//Carroll J M. Designing Interaction: Psychology at the Human-Computer Interface. Cambridge University Press, 1991: 17-38.

[5] Hutchins E. Cognition in the Wild[M]. MIT Press, 1995.

[6] Heersmink R. The Narrative Self, Distributed Memory, and Evocative Objects[J]. Philosophical Studies, 2018, 175: 1829-1849.

[7] Piredda G. What is an Affective Artifact? A Further Development in Situated Affectivity[J]. Phenomenology and the Cognitive Sciences, 2020, 19: 549-567.

[8] Strasser A, Schwitzgebel E. Quasi-sociality: Toward Asymmetric Joint Actions with Artificial Systems[M]//Anna’s AI Anthology. Xenomoi Verlag, 2024: 195-211.

[9] Osler L. Narrative Railroading[J]. Topoi, 2025, 44(2): 379-392.

[10] Sutton J, Harris C, Keil P, Barnier A. The Psychology of Memory, Extended Cognition, and Socially Distributed Remembering[J]. Phenomenology and the Cognitive Sciences, 2010, 9(4): 521-560.

[11] Michaelian K, Sutton J. Distributed Cognition and Memory Research: History and Current Directions[J]. Review of Philosophy and Psychology, 2013, 4(1): 1-24.

[12] Jacobsen B N. Algorithms and the Narration of Past Selves[J]. Information, Communication & Society, 2020, 25(8): 1082-1097.

[13] Fabry R. Distributed Autobiographical Memories, Distributed Self-Narratives[J]. Mind & Language, 2023, 38(5): 1258-1275.