Un nuevo artículo desafía una idea clave en la edición de memoria de IA: la creencia de que eliminar o agregar conceptos específicos a una red neuronal artificial funciona igual ya sea que se haga de una vez o paso a paso. Ferdinand M. Schessl probó esta suposición de 'variedad conmutativa' —que sostiene que las ediciones conmutan, como sumar números— y descubrió que falla bajo cargas secuenciales del mundo real.
El método original AI Engram (Kwon et al., 2026) afirmaba que las huellas de memoria específicas de un concepto pueden extraerse y combinarse aritméticamente, como objetos lineales. Su Apéndice F propuso la Hipótesis de Estados de Memoria Composicionales, sugiriendo que los modelos editados forman una 'variedad conmutativa' donde integrar dos conceptos produce el mismo resultado independientemente del orden. Sin embargo, esa evidencia provenía solo de ediciones individuales o emparejadas: pruebas de un solo ciclo que pasan por alto la fatiga estructural de múltiples cambios. Schessl ejecutó el código de los propios autores (TOFU alpha=0.6) en tres modelos de IA diferentes de dos proveedores y dos familias de arquitecturas, con predicciones preregistradas. Cuatro hallazgos clave se replicaron en los tres modelos: (1) la composición zero-shot y la edición secuencial divergieron en un 61–71% de la magnitud de la edición; (2) el orden de edición no es intercambiable: cortar un monumento parisino antes que otro podría determinar si un tercer concepto no relacionado sobrevive; (3) las propias estadísticas del método (covarianzas de entrada de capa) derivaban monótonamente con cada nueva edición en cada concepto superviviente; y (4) el conocimiento borrado regresaba parcialmente bajo ediciones posteriores no relacionadas. Estos resultados falsifican la hipótesis de la variedad conmutativa del Apéndice F para la edición secuencial, dejando intactos los hallazgos de ediciones individuales. La conclusión práctica: para el desaprendizaje de IA utilizado en cumplimiento normativo, el borrado certificado hoy no garantiza que ese mismo borrado se mantenga después de la siguiente edición.
¿Por qué esto es importante para tu cerebro? Si bien este estudio trata sobre redes neuronales artificiales, el concepto de interferencia secuencial se asemeja al funcionamiento de la memoria humana. Nuestros recuerdos no son archivos estáticos: se superponen, compiten y pueden cambiar cuando aprendemos u olvidamos cosas nuevas. Este artículo muestra que incluso un método de edición matemáticamente limpio no puede evitar la dependencia del camino: el orden de las operaciones deja huellas permanentes. Para tu propia cognición, significa que la forma en que aprendes (secuencialmente vs. en lotes) puede afectar qué tan bien retienes la información, y 'borrar' un recuerdo mediante el desuso o el reemplazo no es limpio: las huellas persisten y pueden reaparecer.
Qué puedes hacer: Si estás tratando de desaprender un mal hábito o reemplazar una creencia errónea, no esperes una edición limpia única: la práctica repetida y espaciada que construye nuevas asociaciones es más confiable. Además, aprende temas relacionados juntos (práctica bloqueada) en lugar de por partes para reducir la interferencia. Y si tienes curiosidad sobre el estado actual de tus propias capacidades cognitivas, una prueba adaptativa gratuita puede darte una línea base.
Fuente: arXiv q-bio.NC
¿Curioso sobre tu propio cerebro? Realiza nuestra prueba de CI adaptativa gratuita o prueba 306 niveles de entrenamiento cerebral.
