这篇题为《AI Engram: In Search of Memory Traces in Artificial Intelligence》的论文已提交至 arXiv，编号为 2606.14997，提交时间为 2026 年 6 月 12 日。作者为 Jea Kwon 及另外五位合作者，论文已被 ICML 2026 接收为 Oral 报告，相关代码也已公开。论文属于人工智能（cs.AI）与机器学习（cs.LG）交叉方向。
研究的核心问题是：深度神经网络是否像生物大脑那样，保留可被单独识别、追踪和操作的具体记忆痕迹。论文指出，记忆形成是智能的基础，但在人工神经网络中，是否存在与生物记忆单元类似的可辨识记忆痕迹，一直是一个悬而未决的问题。为此，作者提出了一个几何框架，将神经科学中判断记忆痕迹的四项标准——特异性、再激活、充分性与必要性——形式化为一个带约束的逆问题，用来识别所谓的“AI engram”（人工智能记忆痕迹）。
在方法上，作者推导出一个闭式估计器，能够从全局纠缠的参数中分离出单条记忆痕迹。他们进一步证明，这一源自生物学的解，等价于参数流形上的自然梯度更新。这意味着生物记忆理论与深度学习的优化几何之间存在深刻的对应关系。
这一框架带来的直接能力是对已学知识进行“外科手术式”操作：任意一组记忆都可以通过线性算术被组合或删除，而无需进行迭代优化。实验覆盖了从简单的多层感知机（MLP）到大型语言模型（LLM）的多种模型，验证了 AI engram 的因果有效性以及良好的可扩展性。
作者总结认为，这些结果在生物记忆理论与人工表征学习之间架起了桥梁，并为理解深度网络如何在分布式存储中同时维持功能特异性提供了几何视角。论文共提交 12,079 KB 的全文，并于 2026 年 6 月 12 日 22:36:52 UTC 完成 v1 版本提交。该工作不仅提出了识别记忆痕迹的可计算标准，也展示了直接编辑模型记忆的实用潜力，对可解释性、模型编辑与知识管理研究具有参考价值。