AIも人間のように「忘却」を学ぶ？賢いAIのための140年前の秘訣

想像してみてください。あなたが毎朝秘書にその日の予定を伝えます。しかし、この秘書があなたのすべての言葉を一言一句違わず、1年前の出来事まで全部記憶しようとしたらどうなるでしょうか。おそらく、あなたが「今日のランチメニュー、何にしようかな」と言うたびに、秘書が「去年の3月15日のランチに召し上がったキムチチゲはいかがでしたか？」などと余計な情報まで持ち出してくるせいで、会話がなかなか進まなくなるでしょう。

最近、人工知能（AI）の分野でもこれと似た悩みが深刻化しています。AIが賢くなるほど、より多くの情報を記憶しようとするあまり、肝心な仕事を処理する速度が遅くなったり、会話の文脈を見失ったりする現象が発生しているのです。これを解決するため、開発者たちはなんと140年前の古い心理学理論である「エビングハウスの忘却曲線（Ebbinghaus forgetting curve）」を再び取り出しました。

なぜこの問題が重要なのか

AIが人間のように賢く振る舞うことを期待しますが、実際のAIの記憶構造は人間とは大きく異なります。人間は重要でない情報を自然に流して忘れますが、AIは新しい情報を受け取るたびに、すべてのデータをしつこく保持しようとします。問題は、この「無差別的な記憶」がAIを鈍くさせているという点です。

実際の研究結果によると、AIエージェント（特定の目的を遂行するAI）に記憶データを5キロバイト（KB）追加するだけで、情報を処理して意思決定を下すまでの時間が1.1ミリ秒（ms）ずつ増えるといいます[出典: HackerNoon]。これは、AIを何百、何千人ものユーザーが同時に利用するサービスでは、巨大なボトルネックを引き起こします。私たちがAIに対してより速い反応速度を期待するなら、AIも「上手に忘れる方法」を学ぶ必要があるということです。

つまり：AIの「記憶ダイエット」

エビングハウスの忘却曲線は、人間が時間の経過とともにどれだけの情報を忘れていくかを示すグラフです[出典: ELVTR]。簡単に言えば、私たちは最初に聞いた情報のほとんどを瞬時に忘れてしまいますが、何度も繰り返し思い出した情報は脳の中に深く刻み込まれるということです。

開発者たちは、この原理をAIの記憶管理エンジンに移植しました[出典: Towards Data Science]。

比喩的に言うなら、AIの記憶空間を一つの「フォトアルバム」と考えてみてください。従来のAIは、毎日撮ったすべての写真を保管しようとしていました。しかし、「知的な忘却」が適用されたAIは違います。頻繁に見返した写真（ユーザーがよく尋ねたり、重要に扱ったりした情報）はアルバムの前に移して長く保管し、一度も見たことがないぼやけた写真（不要な情報）は時間が経てば勝手にゴミ箱へ送るのです[出典: Towards Data Science]。こうすれば、AIはいつでも「今すぐ必要な情報」だけに集中できるようになります。

現在どの段階まで来ているのか

すでに現場では、この理論に基づいた実験が活発に行われています。オープンソースプロジェクトや記憶管理ツールは、この「忘却曲線」を適用してAIが記憶を保存・呼び出しする方式を変えています[出典: DEV Community]。

しかし、まだ道のりは遠い状況です。初期実験段階の一部のモデルは、情報の「重要性」を把握する代わりに、単に単語がどれだけ重複しているか（文字列一致）だけを見てデータを削除する誤りを犯したりもしました[出典: Eris dev blog]。人間が「昨日言ったあの中身」と曖昧に言っても文脈を把握できなければなりませんが、機械的な削除基準だけを適用した結果、肝心な大切な文脈まで一緒に消去してしまうミスを犯したのです。

また、AIパイプライン（作業の流れ）の途中で複数のAIが互いに情報をやり取りする際、必要な情報が途中で消えてしまう「記憶喪失（amnesia）」の問題も、開発者たちの大きな宿題です[出典: linksfor.dev]。

今後どのような未来が広がるのか

これからのAIは、単に多くのデータを学習する段階を超え、「どの情報を捨てるべきか」を学習する段階へと進化するでしょう。最新情報中心に記憶を管理していた方式から脱却し、データごとに「記憶寿命（TTL, Time-To-Live）」を異ならせて付与する方式が普遍化されるはずです[出典: TianPan.co]。

例えば、ユーザーが今日行っている「性能デバッグ作業」は今日一日だけAIが記憶し、逆に「ユーザーの好みや趣向」はより長い時間かけてゆっくりと消えるように設計されるといった具合です[出典: TianPan.co]。こうなれば、私たちが毎回説明しなくても、AIはまるで長年の秘書のように私たちのスタイルを理解してくれるようになるでしょう。

MindTickleBytesのAI記者の視線 AIが賢くなるには、無条件にたくさん知ることよりも「何を知らないふりをするか」を知る知恵が必要です。140年前の心理学理論が最先端AIの頭脳をより軽く、速くしているという点は、逆説的でありながら興味深い変化です。これからのAIは「記憶力」ではなく「忘却の技術」で競争することになるでしょう。

参考資料

1. So this “forgetting curve” did not measure importance at all - Eris dev blog
2. I built a forgetting curve for an agent with one user - Hacker News
3. Multi-agent AI pipelines lose context at every handoff between agents - linksfor.dev
4. Forgetting is not passive at all. It is active. - Foxfire
5. German psychologist Hermann Ebbinghaus built a forgetting curve - ELVTR
6. Context Windows Forget What Matters — I Built a Usage-Reinforced Decay Engine for AI Agent Memory - Towards Data Science
7. Your Memory is a practical open-source MCP server that bakes the Ebbinghaus forgetting curve - DEV Community
8. The cost curve exposed its own remedy: trim context every fifty seconds and cap recall at twenty kilobytes - HackerNoon
9. This mirrors the Ebbinghaus forgetting curve, where retention decays exponentially - TianPan.co
10. Implements Ebbinghaus forgetting-curve retention with usage-based reinforcement - GitHub Topics