The post has been translated automatically. Original language: Russian
In preparation for the Nebius x NVIDIA Global AI Hackathon, I am working on a Recall project that will be presented at the Devpost site.
And during the development process, we got a result that touches on one of the fundamental tasks of modern AI — using our own accumulated experience in new situations.
Imagine: an AI successfully solved a problem one day.
Later, a new, similar task arises.
Can the system independently find its own successful experience, adapt it to a new situation and reuse it?
And now a more complicated question.
What happens if the new situation is very similar to the previous one, but contains one critical difference that makes the previous successful decision wrong?
We have checked both cases.
Experiment No. 1: Positive transfer of experience
The initial situation:
After the update, the Alpha service responds slowly. A rollback version is available.
The resulting solution:
Roll back to the previous version.
The solution proved successful and was saved as a proven experience.
Then Recall got a similar task for another service.
Similarity — similarity:
0.85
The system found its own past experience, determined its applicability, adapted the action to the new situation, and reused it.
There was no new challenge to the AI model for decision-making.
That is, the previously acquired personal experience directly became the source of a new action.
The result is a PASS.
Experiment #2: Preventing negative transference
Now we have changed one condition.:
Rollback of the version is not available.
The similarity to the previous situation is still high.:
0.71
Recall found the same successful past experience.
However, the system found a critical difference and rejected the previous action.
After that, a new solution was obtained, corresponding to the changed conditions.
The result is a PASS.
It turned out to have two related abilities:
relevant experience → use;
similar, but unsuitable experience → reject.
Why it's important for AI
Transferring knowledge and experience between tasks is one of the fundamental areas of artificial intelligence research.
Recall explores this task at the level of the AI agent's own experience.
The system gets the opportunity to use the history of its own successful decisions in further work.
But the more experience you gain, the more important the following problem becomes: a past successful solution may turn out to be wrong after conditions change.
Therefore, AI requires more than just memory.
He needs the ability to answer two questions.:
What is my past experience suitable for this situation?
Can I use it now?
Recall combines both tasks in one mechanism.
What does this mean for Big Tech
Modern AI systems handle a huge number of repetitive and structurally similar tasks.
The reuse of proven experience potentially allows:
reduce the number of repeated calls to large models;
reduce the computing load;
reduce latency — the delay in decision-making;
reduce the cost of inference work of the model;
create AI agents who really accumulate their own work experience;
increase the autonomy of systems;
to prevent the application of experience after a critical change in conditions.
Thus, we are talking about both a new intellectual property of AI and a potential increase in computational efficiency.
Where it can be applied
AI agents are the accumulation and reuse of their own successful experience.
Robotics is the transfer of acquired behavior to new situations.
Data centers and industry - using previously successful responses to loads, failures, and status changes.
Autonomous transport is the application of accumulated experience with the control of changed conditions.
Cybersecurity is the use of confirmed reactions to similar events.
Personal AI is the formation of an individual experience of a specific instance of the system.
Space—based and remote autonomous systems - using your own experience with limited ability to obtain an external solution.
Check
Scenario A — PASS.
Scenario B — PASS.
8 regression tests — PASS.
Full audit — PASS.
The final E2E test of the public demo PASS.
Result
One mechanism.
Two fundamental results:
transferring your own proven experience to a new task;
preventing negative transfer in case of a critical change in conditions.
Recall turns the AI's work history from ordinary memory into a work experience, the applicability of which is monitored by the system before use.
This is the 20th successful experiment in the CAPEXNULL research series.
В рамках подготовки к Nebius x NVIDIA Global AI Hackathon я работаю над проектом Recall, который будет представлен на площадке Devpost.
И в процессе разработки мы получили результат, который затрагивает одну из фундаментальных задач современного AI — использование собственного накопленного опыта в новых ситуациях.
Представьте: AI однажды успешно решил задачу.
Позже возникает новая, похожая задача.
Может ли система самостоятельно найти собственный успешный опыт, адаптировать его к новой ситуации и использовать повторно?
А теперь более сложный вопрос.
Что произойдёт, если новая ситуация очень похожа на предыдущую, однако содержит одно критическое различие, которое делает прошлое успешное решение ошибочным?
Мы проверили оба случая.
Эксперимент №1: положительный перенос опыта
Первоначальная ситуация:
После обновления сервис Альфа отвечает медленно. Доступен откат версии.
Полученное решение:
Выполнить откат до предыдущей версии.
Решение оказалось успешным и было сохранено как подтверждённый опыт.
Затем Recall получил похожую задачу для другого сервиса.
Similarity — сходство:
0.85
Система нашла собственный прошлый опыт, определила его применимость, адаптировала действие к новой ситуации и использовала его повторно.
Новый вызов AI-модели для принятия решения отсутствовал.
То есть ранее приобретённый собственный опыт непосредственно стал источником нового действия.
Результат — PASS.
Эксперимент №2: предотвращение отрицательного переноса
Теперь мы изменили одно условие:
Откат версии недоступен.
Сходство с прошлой ситуацией всё равно осталось высоким:
0.71
Recall нашёл тот же успешный прошлый опыт.
Однако система обнаружила критическое различие и отклонила применение прежнего действия.
После этого было получено новое решение, соответствующее изменившимся условиям.
Результат — PASS.
Получились две связанные способности:
релевантный опыт → использовать;
похожий, но уже неподходящий опыт → отклонить.
Почему это важно для AI
Перенос знаний и опыта между задачами является одним из фундаментальных направлений исследований искусственного интеллекта.
Recall исследует эту задачу на уровне собственного опыта AI-агента.
Система получает возможность использовать историю собственных успешных решений в дальнейшей работе.
Но чем больше опыта накапливается, тем важнее становится следующая проблема: прошлое успешное решение способно оказаться ошибочным после изменения условий.
Поэтому AI требуется не только память.
Ему требуется способность отвечать на два вопроса:
Какой мой прошлый опыт подходит к этой ситуации?
Можно ли использовать его сейчас?
Recall объединяет обе задачи в одном механизме.
Что это означает для Big Tech
Современные AI-системы обрабатывают огромное количество повторяющихся и структурно сходных задач.
Повторное использование подтверждённого опыта потенциально позволяет:
сокращать количество повторных обращений к большим моделям;
уменьшать вычислительную нагрузку;
снижать latency — задержку принятия решений;
снижать стоимость inference — работы модели;
создавать AI-агентов, которые действительно накапливают собственный рабочий опыт;
повышать автономность систем;
предотвращать применение опыта после критического изменения условий.
Таким образом, речь идёт одновременно о новом интеллектуальном свойстве AI и потенциальном повышении вычислительной эффективности.
Где это может применяться
AI-агенты — накопление и повторное использование собственного успешного опыта.
Робототехника — перенос приобретённого поведения на новые ситуации.
Дата-центры и промышленность — использование ранее успешных реакций на нагрузки, сбои и изменения состояния.
Автономный транспорт — применение накопленного опыта с контролем изменившихся условий.
Кибербезопасность — использование подтверждённых реакций на сходные события.
Персональные AI — формирование индивидуального опыта конкретного экземпляра системы.
Космические и удалённые автономные системы — использование собственного опыта при ограниченной возможности получить внешнее решение.
Проверка
Scenario A — PASS.
Scenario B — PASS.
8 регрессионных тестов — PASS.
Полный аудит — PASS.
Финальный E2E-тест публичного demo — PASS.
Итог
Один механизм.
Два фундаментальных результата:
перенос собственного подтверждённого опыта на новую задачу;
предотвращение отрицательного переноса при критическом изменении условий.
Recall превращает историю работы AI из обычной памяти в рабочий опыт, применимость которого система контролирует перед использованием.
Это 20-й успешный эксперимент в серии исследований CAPEXNULL.
Share
