人工智能如何“记住”信息？传统观点认为，AI像人类一样，将原始信息逐字存储，需要时直接调用。然而，最新研究显示，AI的记忆机制远比这复杂——即使原始信息被彻底删除，某些情况下它仍能通过“计算痕迹”还原关键内容。这种现象被命名为“语义物化”，即信息在模型处理过程中被“烙印”到后续计算节点中，形成独立于原始文本的隐性记忆。
研究团队通过对比实验验证了这一现象。他们构造了包含“源事件”和“根事件”的历史记录，例如“S寄存器状态为在线”是源事件，“M镜像S的状态”是根事件。在模型完整阅读历史后，研究者删除源事件的缓存记录，仅保留根事件的缓存行，随后提问：“M的状态是什么？”结果显示，模型能准确回答“在线”，尽管提问文本中从未直接提及“在线”这一信息。为排除偶然性，研究者设计了“孪生”历史版本，将源事件改为“S离线”，其他内容完全一致。在99组对比实验中，模型对第一个版本的回答与源事件一致的比例高达99%，反向回答的比例为0，统计学上的巧合概率趋近于零。
这一现象并非模型偶然行为。研究者在Qwen3-8B、Ministral-3-8B和Gemma-4-12B等多个模型上重复实验，均观察到类似结果。例如，在Qwen3-8B的256组复制实验中，130组回答与被删除的源事件一致，仅125组因问题本身与源事件无关而给出相同答案。这表明，模型在阅读历史时，会将早期信息“预消化”到后续缓存行中，即使原始记录被销毁，信息仍以计算痕迹的形式存在，并能在需要时指导模型给出正确答案。
进一步研究发现，这种“隐形传递”存在明显边界。研究者将信息按复杂程度分类测试：二元状态（如“在线/离线”）的传递准确率高达93.4%，四选一状态的准确率骤降至22.3%，八选一状态仅为15.6%，而具体数值（如三位数字）的传递准确率为0。需要推理的结论（如“传感器读数超阈值应触发警报”）也无法通过缓存行传递。研究者将此现象概括为“紧凑状态信封”——只有粗粒度的状态信号能被封装并传递，复杂信息或需要推理的内容则超出信封容量。
触发语义物化的条件同样值得关注。研究者设计了16种不同措辞的“根事件”，包括“M跟随S”“M与S同步”等镜像表达，以及“标志与结果一致”“标志据结果赋值”等标志表达。测试发现，措辞的微小差异会导致信息写入率大幅波动。例如，“M跟随S”的写入率为83%，而语义几乎相同的“M与S同步”仅为45%；“标志与结果一致”的写入率高达94%，而“标志据结果赋值”仅为48%。更反直觉的是，所有措辞的理解准确率均接近100%，表明模型完全理解语义，但写入缓存行的能力却因措辞而异。不同模型对措辞的敏感性也存在差异——Qwen3-8B对“镜像”类措辞更敏感，而Gemma-4-12B的写入率普遍较低，最高不超过75%。
信息在缓存行中的“落点”同样有规律。研究者构造了“S→M→T”的传话链，发现仅保留M的缓存行时，模型能准确回答M和T的状态；但仅保留T的缓存行时，模型几乎无法回答任何问题。这表明，根事件（如M）是信息“落地”的关键节点，而边缘事件（如T）仅作为路由路径存在，本身不存储信息。若删除根事件，边缘事件的缓存行将失去价值。
基于这一发现，研究者探索了主动利用语义物化的可能性。他们设计了五种级别的“载体事件”，从弱到强依次为：被动提及（如自然语言中随口提到某个值）、有依据的绑定（明确说明两个值的关联）、结构化指令、自然语言计算指令（如“请推断并记录结果”）和显式文字记录（直接写出答案）。实验显示，被动提及的跟随率仅为6%，自然语言计算指令可提升至51%，而显式文字记录的跟随率达100%。这意味着，通过刻意设计载体事件，可将信息传递效率提高8倍以上。然而，研究者也指出，自然语言计算指令的可靠性仍不足一半，因此语义物化更适合作为辅助机制，而非替代明确文字记录的主要方案。
在真实对话场景中，自然提及的效果远不如刻意设计的载体事件。研究者使用包含21天真实对话的REALTALK数据集和评估AI长期记忆能力的LoCoMo数据集进行测试，发现仅保留自然提及的缓存行时，模型的回答准确率与孤立编码（重新阅读相关文字）几乎无差异，甚至在LoCoMo数据集上略低。这表明，自然对话中的随机提及无法可靠触发语义物化，信息写入需依赖专门设计的载体事件。
这一研究对AI记忆系统的评估提出了新挑战。传统方法认为，若删除某条记录后模型回答准确率不变，则该记录不重要。但研究发现，准确率不变可能是因为被删除记录的信息已转移到下游缓存行中。因此，评估记忆系统时，需考虑哪些缓存行可能继承了被删除记录的信息，而非仅依赖删除后的准确率变化。
论文编号为arXiv:2607.23693，题为《Compute Globally, Materialize Locally: The Memory Contract of Sparse Event-KV》。研究者强调，语义物化现象揭示了AI记忆的深层机制——信息处理不仅是“读了就忘”，更会在计算过程中留下痕迹。对于工程师而言，这意味着可通过设计载体事件优化AI记忆管理；对于普通用户，则需认识到，AI的“记忆”可能包含比表面文字更复杂的计算逻辑。
