冗余即遮蔽：基于人工年龄得分（AAS）建模生成式 AI 中的记忆衰老
摘要
人工智能的衰老并非通过时间流逝表现，而是通过记忆性能中结构性不对称性来表现。在大型语言模型中，诸如日期名称名称等语义线索在不同会话中保持稳定，而实验编号等情景细节则在对话上下文重置后倾向于崩溃。为捕捉这一现象，本文引入人工年龄得分（Artificial Age Score, AAS）作为一种以熵为导向的对数尺记忆衰老指标，基于可观测的记忆表现得出。该得分在温和且模型无关的假设下被形式证明为良定义、有界且单调的，因而可适用于各种任务和领域。在冗余即遮蔽（Redundancy-as-Masking）表述中，得分将冗余解释为降低惩罚质量的重叠信息。然而，在本研究中，冗余未被显式估计；所有报告的数值均假设冗余中性设置（R=0），从而得到保守的上界。经典的人工年龄得分（AAS）框架在为期25天的双语研究中被测试，研究涉及ChatGPT-5，结构分为无状态和持久交互阶段。在持久会话期间，该模型持续记得语义细节和情景细节，使AAS趋向于理论最小值，表明结构性年轻。在相反的情况下，当会话被重置时，该模型保持语义一致性，但未能维持情景连续性，导致AAS显著上升，信号为结构性记忆衰老。这些发现支持AAS作为理论基础、任务无关诊断工具，用于评估人工系统中记忆退化的实用性。该研究建立在冯·尼亚曼自动机工作、香浓信息与冗余理论以及图灵智力行为方法的基础概念之上。
引用
@article{arxiv.2510.01242,
title = {Redundancy-as-Masking: Formalizing the Artificial Age Score (AAS) to Model Memory Aging in Generative AI},
author = {Seyma Yaman Kayadibi},
journal= {arXiv preprint arXiv:2510.01242},
year = {2026}
}
备注
37 pages, 17 figures. Includes theoretical development and mathematical proofs of the Artificial Age Score (AAS), with empirical illustrations via ChatGPT-based memory recall experiments