AI记忆痕迹：探索人工智能中的记忆踪迹
该研究引入几何框架，将神经科学的特异性、再激活、充分性和必要性标准形式化为约束逆问题，从而识别深度神经网络中的“AI记忆痕迹”。研究者推导出闭式估计器，可从全局纠缠参数中隔离单个记忆痕迹，并证明该生物学启发的解对应参数流形上的自然梯度更新。AI记忆痕迹支持通过线性算术对记忆进行手术级操作（组合或删除），无需迭代优化。实验涵盖简单MLP到大型语言模型，展示了因果有效性和可扩展性。该工作桥接了生物记忆理论与人工表征学习。
近日，一项发表于ICML 2026（口头报告）的研究提出了“AI记忆痕迹”的概念，旨在探索深度神经网络中是否存在类似生物记忆单元的、可识别的记忆痕迹。该工作由Jea Kwon等六位作者完成，论文标题为《AI Engram: In Search of Memory Traces in Artificial Intelligence》。
记忆形成是智能的基础，但深度神经网络是否能在其参数中保留独立的记忆痕迹一直是一个悬而未决的问题。研究团队引入了一个创新性的几何框架，将神经科学领域关于记忆的四个关键标准——特异性、再激活、充分性和必要性——形式化为一个约束逆问题。通过求解该问题，他们得到了一个闭式估计器，能够从全局纠缠的网络参数中隔离出与单个记忆对应的向量。研究人员进一步证明，这一生物学启发的解实际上等价于参数流形上的自然梯度更新，这为理解记忆在神经网络中的存储方式提供了新的几何视角。
AI记忆痕迹的一个关键应用是手术级的知识操作：任何子集的记忆都可以通过简单的线性算术进行组合或删除，而无需进行耗时的迭代优化。这一特性使得对已学习知识的精确控制成为可能，类似于在生物大脑中定位和修改特定记忆。实验从简单的多层感知机（MLP）扩展到大型语言模型（LLM），充分验证了该方法的因果有效性和显著的可扩展性。
本研究不仅桥接了生物记忆理论与人工表征学习，还为深度网络如何在分布式存储中同时支持功能特异性提供了深刻的几何见解。论文代码已公开，并获得了ICML 2026的接受作为口头报告，彰显了其在人工智能领域的重要性。