人工智能语言模型如GPT-5在训练数据中展现出两种主要处理功能：记忆（复述之前见过的精确文本，如著名引言或书籍段落）和所谓的"推理"（使用一般原理解决新问题）。AI初创公司Goodfire.ai的最新研究首次提供了清晰证据，表明这些不同功能实际上通过模型架构中完全独立的神经路径工作。
记忆与逻辑的神经分离
研究人员发现这种分离异常清晰。在10月底发布的预印本论文中，他们描述了当移除记忆路径时，模型失去了97%的原文复述能力，但几乎保持了所有"逻辑推理"能力。
例如，在艾伦人工智能研究所的OLMo-7B语言模型的第22层，研究人员根据称为"曲率"的指标（下文将详细解释）将所有权重组件（处理信息的数学值）从高到低排序。当他们检查这些排名组件时，排名靠后的50%权重组件在记忆数据上的激活度高23%，而排名前10%在一般、非记忆文本上的激活度高26%。
换句话说，专门用于记忆的组件集中在排名的底部，而问题解决组件则集中在顶部。这种机制分离使研究人员能够"外科手术式"地移除记忆同时保留其他能力。他们发现可以删除排名靠后的组件来消除记忆，同时保留处理问题解决的排名靠前的组件。
算术能力与记忆路径的关联
最令人惊讶的是，研究人员发现算术操作似乎与记忆共享相同的神经路径，而非逻辑推理。当移除记忆电路时，数学性能骤降至66%，而逻辑任务几乎不受影响。这一发现可能解释了为什么AI语言模型在未使用外部工具时 notoriously struggle with math。
它们试图从有限的记忆表中回忆算术，而不是进行计算，就像一个只记住了乘法表但从未理解乘法如何运作的学生。这一发现表明，在当前规模下，语言模型将"2+2=4"更多地视为记忆事实而非逻辑运算。
值得注意的是，AI研究中的"推理"涵盖了一系列不一定与我们人类所说的推理相匹配的能力。在这项最新研究中，即使在移除记忆后仍然保留的逻辑推理包括评估真假陈述和遵循if-then规则等任务，这些本质上是将学习到的模式应用于新输入。
损失曲率与神经景观
为了理解Goodfire的研究人员如何在这些神经网络中区分记忆与推理，了解AI中称为"损失景观"的概念很有帮助。"损失景观"是一种可视化方式，展示了当你调整AI模型的内部设置（称为"权重"）时，其预测的错误或正确程度。
想象你正在调整一个有数百万个旋钮的复杂机器。"损失"衡量机器犯错误的次数。高损失意味着许多错误，低损失意味着很少错误。"景观"就是你能映射出每个旋钮设置组合的错误率时看到的内容。
在训练过程中，AI模型本质上是在这个景观中"滚下山"（梯度下降），调整其权重以找到错误最少的山谷。这个过程提供了AI模型的输出，如问题的答案。
研究人员分析了特定AI语言模型的损失景观的"曲率"，测量模型性能对不同神经网络权重微小变化的敏感度。尖锐的峰谷代表高曲率（微小变化导致巨大效果），而平坦的平原代表低曲率（变化影响最小）。他们使用这些曲率值将权重组件从高到低排序，如前所述。
使用称为K-FAC（Kronecker-Factored Approximate Curvature）的技术，他们发现单个记忆事实在这个景观中创造了尖锐的尖峰，但由于每个记忆项在不同方向上产生尖峰，当它们平均在一起时，它们创造了平坦的轮廓。与此同时，许多不同输入依赖的推理能力在整个景观中保持一致的适度曲线，就像无论从哪个方向接近都保持大致相同形状的起伏山丘。
不同任务揭示的机制谱系
研究人员在多个AI系统上测试了他们的技术，以验证这些发现在不同架构中的一致性。他们主要使用艾伦研究所的OLMo-2开放语言模型系列，特别是70亿和10亿参数版本，选择它们是因为其训练数据公开可获取。对于视觉模型，他们在ImageNet上训练了定制的8600万参数Vision Transformer模型，并有意使用错误标签的数据来创建受控记忆。他们还对照现有的记忆移除方法如BalancedSubnet验证了他们的发现，以建立性能基准。
团队通过从这些训练好的模型中选择性地移除低曲率权重组件来测试他们的发现。记忆内容从近100%的回忆率下降到3.4%。同时，逻辑推理任务保持了95%到106%的基线性能。
这些逻辑任务包括布尔表达式评估、逻辑推理谜题（解决者必须跟踪"如果A比B高"等关系）、通过多次交换跟踪对象，以及像BoolQ（用于是/否推理）、Winogrande（用于常识推理）和OpenBookQA（需要根据提供的事实推理的科学问题）等基准测试。一些任务处于这些极端之间，揭示了机制的谱系。
数学运算和闭卷事实检索与记忆共享路径，在编辑后性能下降到66%到86%。研究人员发现算术特别脆弱。即使模型生成相同的推理链，在移除低曲率组件后，它们在计算步骤仍然失败。
信息类型的机制差异
有趣的是，机制分离因信息类型而异。像国家首都这样的常见事实在编辑后几乎没有变化，而像公司首席执行官这样的罕见事实下降了78%。这表明模型根据信息在训练中出现的频率分配不同的神经资源。
K-FAC技术在不记忆记忆内容的训练示例的情况下，优于现有的记忆移除方法。在未见过的历史引言上，K-FAC实现了16.1%的记忆率，而之前最好的方法BalancedSubnet实现了60%。
视觉变压器显示出类似模式。当使用有意错误标记的图像进行训练时，模型为记忆错误标签与学习正确模式发展出不同的路径。移除记忆路径恢复了先前错误标记图像上66.5%的准确率。
记忆移除的局限性
然而，研究人员承认他们的技术并不完美。一旦被移除的记忆可能会在模型接收更多训练时返回，因为其他研究表明，当前的遗忘方法只是抑制信息而非从神经网络权重中完全擦除它。这意味着"被遗忘"的内容只需针对这些被抑制区域的几个训练步骤就可以重新激活。
研究人员也无法完全解释为什么某些能力，如数学，在移除记忆时如此容易失效。目前尚不清楚模型是否真的记忆了所有算术，或者数学恰好使用了与记忆相似的神经电路。此外，一些复杂能力在他们的检测方法中可能看起来像记忆，即使它们实际上是复杂的推理模式。最后，他们用来测量模型"景观"的数学工具在极端情况下可能变得不可靠，尽管这并不影响实际的编辑过程。
未来研究方向与应用前景
这项研究为AI理解和优化开辟了新方向。如果信息移除技术在未来得到进一步发展，AI公司有一天可能能够从神经网络中移除版权内容、私人信息或有害记忆文本，同时不破坏模型执行转换任务的能力。
此外，对记忆与逻辑分离的理解可能帮助开发更有效的AI教育工具，使模型能够真正理解数学概念而非仅仅记忆事实。这也可能为解决AI中的偏见问题提供新思路，通过识别和移除与偏见相关的记忆路径。
然而，由于神经网络仍以尚未完全理解的方式存储信息，研究人员表示，他们的方法"不能保证敏感信息的完全消除"。这是AI新研究方向中的早期步骤，但已经为未来的突破奠定了基础。
