Um novo artigo desafia uma ideia chave na edição de memória de IA: a crença de que remover ou adicionar conceitos específicos a uma rede neural artificial funciona da mesma forma, seja feito de uma vez ou passo a passo. Ferdinand M. Schessl testou essa suposição de 'variedade comutativa' — que afirma que edições comutam, como somar números — e descobriu que ela falha sob cargas sequenciais do mundo real.
O método original AI Engram (Kwon et al., 2026) alegou que traços de memória específicos de conceitos podem ser extraídos e combinados aritmeticamente, como objetos lineares. O Apêndice F deles propôs a Hipótese de Estados de Memória Composicionais, sugerindo que modelos editados formam uma 'variedade comutativa' onde integrar dois conceitos produz o mesmo resultado independentemente da ordem. No entanto, essa evidência veio apenas de edições únicas ou em pares — testes de ciclo único que perdem a fadiga estrutural de múltiplas alterações. Schessl executou o código dos próprios autores (TOFU alpha=0.6) em três modelos de IA diferentes de dois fornecedores e duas famílias de arquitetura, com previsões pré-registradas. Quatro achados principais foram replicados em todos os três modelos: (1) composição zero-shot e edição sequencial divergiram em 61–71% da magnitude da edição; (2) a ordem da edição não é intercambiável — cortar um marco de Paris antes de outro podia determinar se um terceiro conceito não relacionado sobrevivia; (3) as próprias estatísticas do método (covariâncias de entrada das camadas) derivavam monotonamente a cada nova edição em cada conceito sobrevivente; e (4) o conhecimento apagado retornava parcialmente sob edições não relacionadas posteriores. Esses resultados falsificam a hipótese de variedade comutativa do Apêndice F para edição sequencial, enquanto deixam intactos os achados de edição única. A conclusão prática: para o desaprendizado de IA usado em conformidade, a eliminação certificada hoje não garante que a mesma eliminação permanecerá após a próxima edição.
Por que isso importa para o seu cérebro? Embora este estudo seja sobre redes neurais artificiais, o conceito de interferência sequencial ecoa como funciona a memória humana. Nossas memórias não são arquivos estáticos — elas se sobrepõem, competem e podem mudar quando aprendemos ou esquecemos coisas novas. Este artigo mostra que mesmo um método de edição matematicamente limpo não pode evitar a dependência de caminho: a ordem das operações deixa traços permanentes. Para sua própria cognição, isso significa que a forma como você aprende (sequencialmente vs. em lotes) pode afetar quão bem você retém informações, e 'apagar' uma memória através do desuso ou substituição não é limpo — traços persistem e podem ressurgir.
O que você pode fazer: Se você está tentando desaprender um mau hábito ou substituir uma crença equivocada, não espere uma edição limpa — a prática repetida e espaçada que constrói novas associações é mais confiável. Além disso, aprenda tópicos relacionados juntos (prática em bloco) em vez de aos poucos para reduzir a interferência. E se você está curioso sobre o estado atual de suas próprias habilidades cognitivas, um teste adaptativo gratuito pode fornecer uma base.
Fonte: arXiv q-bio.NC
Curioso sobre seu próprio cérebro? Faça nosso teste de QI adaptativo gratuito ou tente 306 níveis de treinamento cerebral.
