Un nouvel article remet en question une idée clé dans l'édition de la mémoire de l'IA : la croyance que supprimer ou ajouter des concepts spécifiques à un réseau neuronal artificiel fonctionne aussi bien que ce soit fait en une fois ou étape par étape. Ferdinand M. Schessl a testé cette hypothèse de « variété commutative » — selon laquelle les modifications commutent, comme l'addition de nombres — et a découvert qu'elle échoue sous des charges séquentielles réelles.
La méthode originale AI Engram (Kwon et al., 2026) prétendait que les traces de mémoire spécifiques à un concept peuvent être extraites et combinées arithmétiquement, comme des objets linéaires. Leur appendice F proposait l'hypothèse des états de mémoire compositionnelle, suggérant que les modèles édités forment une « variété commutative » où l'intégration de deux concepts donne le même résultat quel que soit l'ordre. Cependant, ces preuves ne venaient que d'éditions simples ou appariées — des tests en cycle unique qui manquent la fatigue structurelle due à des changements multiples. Schessl a exécuté le propre code des auteurs (TOFU alpha=0.6) sur trois modèles d'IA différents de deux fournisseurs et deux familles d'architecture, avec des prédictions pré-enregistrées. Quatre résultats clés ont été reproduits dans les trois modèles : (1) la composition zero-shot et l'édition séquentielle divergeaient de 61 à 71 % de l'amplitude de l'édition ; (2) l'ordre d'édition n'est pas interchangeable — couper un monument parisien avant un autre pouvait déterminer si un troisième concept, sans rapport, survit ; (3) les propres statistiques de la méthode (covariances entrée-couche) dérivaient de manière monotone avec chaque nouvelle édition dans chaque concept survivant ; et (4) les connaissances effacées revenaient partiellement lors d'éditions ultérieures sans rapport. Ces résultats falsifient l'hypothèse de la variété commutative de l'appendice F pour l'édition séquentielle, tout en laissant intacts les résultats d'édition unique. L'enseignement pratique : pour le désapprentissage de l'IA utilisé en conformité, l'effacement certifié aujourd'hui ne garantit pas que le même effacement tiendra après la prochaine édition.
Pourquoi cela importe-t-il pour votre cerveau ? Bien que cette étude porte sur les réseaux neuronaux artificiels, le concept d'interférence séquentielle fait écho au fonctionnement de la mémoire humaine. Nos souvenirs ne sont pas des fichiers statiques — ils se chevauchent, entrent en compétition et peuvent changer lorsque nous apprenons ou oublions de nouvelles choses. Cet article montre que même une méthode d'édition mathématiquement propre ne peut éviter la dépendance au chemin : l'ordre des opérations laisse des traces permanentes. Pour votre propre cognition, cela signifie que la façon dont vous apprenez (séquentiellement ou par lots) peut affecter la rétention des informations, et « effacer » un souvenir par désuétude ou remplacement n'est pas propre — des traces persistent et peuvent refaire surface.
Ce que vous pouvez faire : si vous essayez de désapprendre une mauvaise habitude ou de remplacer une croyance erronée, ne vous attendez pas à une édition propre — une pratique répétée et espacée qui construit de nouvelles associations est plus fiable. Aussi, apprenez des sujets connexes ensemble (pratique groupée) plutôt que par morceaux pour réduire l'interférence. Et si vous êtes curieux de l'état actuel de vos capacités cognitives, un test adaptatif gratuit peut vous donner une base de référence.
Source : arXiv q-bio.NC
Curieux de votre propre cerveau ? Passez notre test de QI adaptatif gratuit ou essayez 306 niveaux d'entraînement cérébral.
