人工知能において記憶がどのように形成・保存されるかは、長らく未解決の核心的課題である。深層ニューラルネットワークが生物学的記憶単位に類似した識別可能な記憶痕跡を保持しているかどうかは、明確な答えが出ていなかった。このほど、ICML 2026でOral発表として採択された論文「AI Engram: In Search of Memory Traces in Artificial Intelligence」が、この問いに深く切り込んだ。Jea Kwon氏ら6名の著者による本研究は、2026年6月12日にarXivに投稿され、公開されている。
論文の中心的貢献は、「AIエングラム」を識別するための幾何学的枠組みの導入である。研究チームは、神経科学における記憶痕跡の4つの基準——特異性、再活性化、十分性、必要性——を制約付き逆問題として形式化した。この定式化に基づき、全体的に絡み合ったネットワークパラメータから個々の記憶痕跡を分離する閉形式推定器を導出した。特筆すべきは、この生物学的原理から導かれた解が、パラメータ多様体上の自然勾配更新と数学的に等価であることを示した点である。これにより、生物学的記憶理論と人工表現学習の間の深い関連が明らかになった。
この枠組みの実用的意義は、学習済み知識に対する「外科手術的な操作」を可能にすることにある。任意の記憶サブセットを、反復最適化を必要とせず、線形算術によって構成または消去できる。つまり、他の知識に影響を与えることなく、パラメータ空間内で特定の記憶を正確に追加、削除、修正できるのである。実験は単純な多層パーセプトロン（MLP）から大規模言語モデル（LLM）にまで及び、AIエングラムの因果的妥当性と顕著なスケーラビリティが検証された。
本研究は、深層ネットワークが分散ストレージ内で機能特異性を同時にサポートする仕組みに幾何学的洞察を与えるだけでなく、生物学的記憶理論と人工表現学習の橋渡しをするものである。神経科学の実証的基準を計算可能な数学的枠組みに変換することで、記憶編集、知識管理、モデル解釈可能性に新たな可能性を開く。コードは論文とともに公開されており、コミュニティによる更なる研究と応用が期待される。