Ein neues Paper stellt eine zentrale Idee der KI-Gedächtnisbearbeitung infrage: die Annahme, dass das Entfernen oder Hinzufügen spezifischer Konzepte in einem künstlichen neuronalen Netzwerk gleich gut funktioniert, egal ob man es auf einmal oder Schritt für Schritt tut. Ferdinand M. Schessl testete diese Annahme des 'kommutativen Mannigfaltigkeit' – die besagt, dass Edits kommutieren, wie das Addieren von Zahlen – und fand heraus, dass sie unter realen sequenziellen Belastungen versagt.
Die ursprüngliche KI-Engramm-Methode (Kwon et al., 2026) behauptete, dass konzeptspezifische Gedächtnisspuren extrahiert und arithmetisch kombiniert werden können, wie lineare Objekte. Ihr Anhang F stellte die Hypothese der kompositionellen Gedächtniszustände auf, die besagt, dass editierte Modelle eine 'kommutative Mannigfaltigkeit' bilden, bei der die Integration zweier Konzepte unabhängig von der Reihenfolge dasselbe Ergebnis liefert. Diese Evidenz stammte jedoch nur von einzelnen oder gepaarten Edits – Einzelzyklustests, die die strukturelle Ermüdung durch mehrere Änderungen übersehen. Schessl führte den Code der Autoren (TOFU alpha=0.6) auf drei verschiedenen KI-Modellen von zwei Anbietern und zwei Architekturfamilien aus, mit vorab registrierten Vorhersagen. Vier wichtige Ergebnisse replizierten sich in allen drei Modellen: (1) Zero-Shot-Komposition und sequenzielle Bearbeitung wichen um 61–71 % der Edit-Magnitude ab; (2) die Edit-Reihenfolge ist nicht austauschbar – das Löschen eines Pariser Wahrzeichens vor einem anderen konnte darüber entscheiden, ob ein drittes, nicht verwandtes Konzept überlebt; (3) die eigenen Statistiken der Methode (Layer-Input-Kovarianzen) drifteten monoton mit jedem neuen Edit in jedem überlebenden Konzept; und (4) gelöschtes Wissen kehrte unter späteren, nicht verwandten Edits teilweise zurück. Diese Ergebnisse widerlegen die kommutative-Mannigfaltigkeit-Hypothese von Anhang F für sequenzielle Bearbeitung, während die Ergebnisse einzelner Edits intakt bleiben. Die praktische Schlussfolgerung: Für KI-Verlernen in Compliance-Anwendungen garantiert eine heute zertifizierte Löschung nicht, dass dieselbe Löschung nach dem nächsten Edit noch Bestand hat.
Warum ist das für Ihr Gehirn relevant? Obwohl es sich um künstliche neuronale Netze handelt, spiegelt das Konzept der sequenziellen Interferenz wider, wie unser menschliches Gedächtnis funktioniert. Unsere Erinnerungen sind keine statischen Dateien – sie überlappen, konkurrieren und können sich ändern, wenn wir Neues lernen oder vergessen. Dieses Paper zeigt, dass selbst eine mathematisch saubere Edit-Methode Pfadabhängigkeit nicht vermeiden kann: Die Reihenfolge der Operationen hinterlässt permanente Spuren. Für Ihre eigene Kognition bedeutet das, dass die Art und Weise, wie Sie lernen (sequenziell vs. in Blöcken), beeinflussen kann, wie gut Sie Informationen behalten, und dass das 'Löschen' einer Erinnerung durch Nichtgebrauch oder Ersatz nicht sauber ist – Spuren bleiben und können wieder auftauchen.
Was Sie tun können: Wenn Sie versuchen, eine schlechte Angewohnheit zu verlernen oder eine falsche Überzeugung zu ersetzen, erwarten Sie keinen einmaligen, sauberen Edit – wiederholtes, verteiltes Üben, das neue Assoziationen aufbaut, ist zuverlässiger. Lernen Sie außerdem zusammenhängende Themen gemeinsam (Blocklernen) anstatt stückweise, um Interferenzen zu reduzieren. Und wenn Sie neugierig auf den aktuellen Stand Ihrer eigenen kognitiven Fähigkeiten sind, gibt ein kostenloser adaptiver Test eine Ausgangsbasis.
Quelle: arXiv q-bio.NC
Neugierig auf Ihr eigenes Gehirn? Machen Sie unseren kostenlosen adaptiven IQ-Test oder probieren Sie 306 Gehirntrainings-Level.
