AIの「記憶の混乱」を自動整理する新技術

長期間使い続けるAIエージェントには、会話履歴やユーザーの好み、過去のタスク結果といった情報が蓄積されていく。最初は便利な記憶も、時間が経つにつれて「古い設定が残っている」「矛盾した指示が混在している」「すでに無効な情報を参照してしまう」といった問題を起こし始める。

これは決して珍しい話ではない。たとえばAIに「毎回丁寧語で答えて」と設定していた時期の記憶と、後から「もっとカジュアルに」と上書きした記憶が両方残っていたとする。AIはどちらを優先すべきかわからず、タスクのたびにぶれた出力を返すことになる。記憶が増えるほど、こういった「記憶の干渉」は複雑化する。

従来のAIエージェントの記憶管理は、「意味的に近い情報を引っ張ってくる」という検索最適化が中心だった。タスクを達成するのに本当に役立つかどうかではなく、「似ている情報」を取ってくる設計だ。これでは、古くて有害な記憶も「関連している」という理由でどんどん呼び出されてしまう。

今回論文として発表された「MeClear」は、この「記憶の品質管理」問題に正面から取り組んだ研究だ。ポイントは、有害な記憶を特定する方法にある。

従来のアプローチは「Leave One Out（LOO）」と呼ばれる方式で、記憶を1件ずつ外してみて、タスクの結果が改善するかどうかを確かめるというものだ。シンプルだが、これには大きな穴がある。「1件だけでは無害でも、複数の記憶が組み合わさると有害になる」ケースを見落とすのだ。

日本でいうところの「二つの証言が食い違っているせいで判断が狂う」状況に近い。片方だけ取り除いても問題は解決せず、両方あってはじめて悪影響が生じる。

MeClearはここに「シャープレイ値」と呼ばれるゲーム理論の手法を組み合わせた。これはもともと「複数のプレイヤーが協力して得た成果を、それぞれの貢献度に応じて分配する」ための数学的な考え方だ。これを記憶の評価に使うことで、単体では無害に見えても組み合わせで悪影響を与えている記憶のペアを検出できるようになる。

論文によると、このアプローチにより対象記憶の検出率（リコール）は85.9%、タスク回復率は82.3%を達成し、従来のLOO方式と比べて25ポイント以上の改善が報告されている。重要なのは、この処理が「永続的な記憶の削除」ではなく「タスク実行時の一時的な除外」として動く点だ。記憶そのものは保持されたまま、実行コンテキストからだけ弾く設計になっている。