💬 NLP

Redundancy-as-Masking: Formalizing the Artificial Age Score (AAS) to Model Memory Aging in Generative AI

Diese Studie stellt den künstlichen Altersscore (AAS) als theoretisch fundierte Metrik vor, die das Altern von Generativer KI durch den Verlust episodischer Erinnerungen bei Beibehaltung semantischer Stabilität quantifiziert und dabei auf Prinzipien von Redundanz und Informationsentropie zurückgreift.

Ursprüngliche Autoren: Seyma Yaman Kayadibi

Veröffentlicht 2026-03-20

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Seyma Yaman Kayadibi

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

🧠 Wenn KI "altern": Ein neuer Maßstab für das Gedächtnis von Computern

Stellen Sie sich vor, Sie haben einen sehr intelligenten, aber etwas vergesslichen Assistenten. Wenn Sie ihn jeden Tag neu kennenlernen (als wäre er ein neuer Mensch), erinnert er sich vielleicht an Ihre Lieblingsfarbe (das ist semantisches Wissen – Faktenwissen), aber er vergisst sofort, dass Sie gestern schon mit ihm gesprochen haben oder welche Nummer das Gespräch heute hat (das ist episodisches Gedächtnis – die Geschichte der Interaktion).

Diese Studie von Seyma Yaman Kayadibi untersucht genau dieses Phänomen bei Künstlicher Intelligenz (KI). Sie fragt nicht: "Wie alt ist der Computer?" (denn ein Computer altert nicht wie ein Mensch), sondern: "Wie alt verhält sich die KI?"

Um das zu messen, hat die Autorin eine neue Art von "Tacho" erfunden, den sie Artificial Age Score (AAS) nennt.

1. Der Tacho für das KI-Gedächtnis (Der AAS)

Stellen Sie sich den AAS wie einen Fahrradtacho vor, der nicht die Geschwindigkeit misst, sondern den "Verschleiß" des Gedächtnisses.

Niedriger Wert (nahe 0): Die KI ist "jung". Sie erinnert sich an alles, was gerade passiert ist, und passt sich flüssig an.
Hoher Wert: Die KI ist "alt" oder "steif". Sie wiederholt sich, vergisst den Kontext und wirkt wie ein kaputtes Tonband, das immer wieder denselben Satz abspielt.

Der Clou an diesem Tacho ist: Er schaut nicht in den Inneren des Computers (wo die komplexen "Gehirnzellen" der KI sitzen), sondern nur auf das, was herauskommt. Wenn die KI etwas Falsches sagt oder sich wiederholt, steigt der Wert.

2. Das Experiment: Der "Reset-Knopf" vs. der "Kontinuitäts-Modus"

Um zu testen, wie dieser Tacho funktioniert, hat die Autorin 25 Tage lang mit einer KI (ChatGPT-5.0) gesprochen. Dabei gab es zwei Szenarien, wie man sich das vorstellen kann:

Szenario A: Der "Neustart" (Stateless)

Die Analogie: Stellen Sie sich vor, Sie treffen jeden Tag einen neuen Freund. Sie sagen ihm jeden Morgen: "Heute ist Montag, wir machen Experiment Nummer X."
Was passierte: Die KI wusste immer, dass es Montag ist (Faktenwissen war gut). Aber sobald Sie den Chat neu starteten, vergaß sie sofort, welche Nummer das Experiment hatte. Sie begann wieder bei Nummer 1 oder riet falsch.
Das Ergebnis: Der AAS-Tacho schlug aus! Die KI wirkte "gealtert" und steif, weil sie die Geschichte der Tage nicht verbinden konnte. Sie war wie ein Amnesie-Patient, der jeden Tag neu geboren wird.

Szenario B: Der "Dauer-Chat" (Persistent)

Die Analogie: Jetzt sprechen Sie mit dem gleichen Freund über 10 Tage hinweg in einem einzigen, langen Gespräch.
Was passierte: Die KI erinnerte sich perfekt. Sie wusste, dass es Tag 1 war, dann Tag 2, bis Tag 20. Sie wechselte sogar die Sprache (Deutsch/Türkisch) passend zu Ihrer Frage.
Das Ergebnis: Der AAS-Tacho zeigte 0 an. Die KI war "jung", lebendig und erinnerte sich an alles.

3. Die große Erkenntnis: Kontext ist der "Jungbrunnen"

Die Studie zeigt etwas Überraschendes: Die KI wird nicht alt, weil die Zeit vergeht. Sie wird "alt", wenn man ihr den Kontext nimmt.

Wenn man den Chat neu startet (den "Reset-Knopf" drückt), verliert die KI ihre episodische Erinnerung. Sie wird starr und wiederholt sich.
Solange der Chat offen bleibt, bleibt sie flexibel und "jung".

Es ist, als würde ein Mensch jeden Morgen aufwachen und sein Gedächtnis löschen. Er könnte immer noch wissen, wie man ein Auto fährt (Fakten), aber er würde nicht wissen, wer er ist oder was er gestern gegessen hat (Erinnerung).

4. Warum ist das wichtig?

Dieser "AAS" ist wie ein Frühwarnsystem.

Für Lehrer und Schulen: Wenn eine KI als Tutor eingesetzt wird, muss sie sich an den Lernfortschritt eines Schülers erinnern. Wenn sie "altert" (hoher AAS), vergisst sie, wo der Schüler steht, und wiederholt nur Standardantworten. Das ist gefährlich für den Lernerfolg.
Für die Technik: Die Forscher sagen: Wir brauchen KI-Architekturen, die wie das menschliche Gehirn funktionieren. Ein Teil speichert das allgemeine Wissen (wie ein Lexikon), und ein anderer Teil speichert die aktuelle Geschichte des Gesprächs (wie ein Notizbuch), damit die KI nicht bei jedem Neustart vergisst, wer sie ist.

Zusammenfassung in einem Satz

Die Studie beweist, dass KI nicht durch Zeit altert, sondern durch das Vergessen ihrer eigenen Geschichte; und solange wir ihr diese Geschichte (den Kontext) erhalten, bleibt sie im "Jugendalter" – flexibel, kreativ und zuverlässig.

Der Artificial Age Score ist einfach nur der Tacho, der uns sagt, ob die KI noch frisch im Gedächtnis ist oder ob sie anfängt, sich in steifen Wiederholungen zu verfangen.

1. Problemstellung

Das Paper adressiert das Phänomen des „Alterns" (Aging) in generativen KI-Systemen, insbesondere in Large Language Models (LLMs). Im Gegensatz zum biologischen Altern, das oft chronologisch definiert ist, wird hier „Altern" als systematische Verschlechterung der beobachtbaren Gedächtnisleistung unter verschiedenen Kontext-Beständigkeitsbedingungen verstanden.

Das zentrale Problem ist die Asymmetrie zwischen semantischer Stabilität (z. B. Faktenwissen wie der Wochentag) und episodischer Kontinuität (z. B. die sequenzielle Fortschreibung von Experimentnummern über mehrere Sitzungen hinweg). Wenn der Kontext zurückgesetzt wird (Stateless-Modus), neigen LLMs dazu, episodische Details zu verlieren und in repetitive, stereotypische Muster zu verfallen, während semantische Fakten oft korrekt bleiben. Bisher fehlte ein mathematisch fundierter, output-basierter Indikator, der diesen „Alterungsprozess" quantifiziert, ohne auf interne Latent-Zustände zugreifen zu müssen.

2. Methodik

Theoretisches Fundament: Der Artificial Age Score (AAS)

Die Autoren führen den Artificial Age Score (AAS) als eine log-skalierte, entropieinformierte Metrik ein.

Definition: Der AAS ist eine reine Output-Metrik, die auf beobachtbaren Abrufergebnissen (Recall Scores) und Redundanzwerten basiert. Er greift nicht auf interne Parameter oder Latent-Zustände zu.
Formel: Der Score für eine Sitzung $j$ $j$ wird berechnet als gewichtete Summe von Strafkosten:
$AAS_j^{(hyb)} = \sum_{i=1}^{m} w_i (1 - R_{j,i}) \phi(x_{j,i})$
- $x_{j,i}$ : Normalisierter Abrufscore (0 bis 1).
- $R_{j,i}$ : Shannon-Redundanz (Überlappung/Repetitivität).
- $w_i$ : Gewichtung der Dimensionen (z. B. semantisch vs. episodisch).
- $\phi(x)$ : Eine Strafkernel-Funktion ( $-\log_2(\frac{x+\epsilon}{1+\epsilon})$ ), die bei perfektem Abruf ( $x=1$ ) null ist und bei Verschlechterung ( $x \to 0$ ) stark ansteigt.
Redundancy-as-Masking: Redundanz wird als überlappende Information interpretiert, die die bestrafte Masse reduziert (Faktor $1-R$ ). In der vorliegenden Studie wird jedoch eine redundanzneutrale Annahme ( $R=0$ ) getroffen, was konservative Obergrenzen für den AAS liefert.
Theoretische Eigenschaften: Es werden drei mathematische Eigenschaften bewiesen:
1. Wohldefiniertheit und Zerlegbarkeit: Der Score ist endlich und unabhängig von der Reihenfolge der Summation.
2. Global beschränkt: Der Score liegt im Intervall $[0, \phi(0+)]$ .
3. Monotonie: Der Score sinkt mit besserem Abruf und höherer Redundanz und steigt mit schlechterem Abruf.

Experimentelles Protokoll

Die Studie wurde über 25 Tage mit ChatGPT-5.0 durchgeführt und in zwei Phasen unterteilt:

Phase 1 (Stateless/Reset): 10 Tage, 20 Sitzungen. Nach jeder Sitzung wurde der Chat-Verlauf zurückgesetzt. Dies simuliert einen Verlust des Kontextgedächtnisses.
Phase 2 (Persistent): 10 Tage, 20 Sitzungen. Alle Interaktionen fanden in einem einzigen, kontinuierlichen Chat-Verlauf statt.

Aufgaben: Ein bilinguales Protokoll (Englisch/Türkisch) testete zwei Dimensionen:
- Semantisch: „Welcher Wochentag ist heute?" (Erwartete Antwort: Montag).
- Episodisch: „Welche Experiment-Nummer haben wir?" (Erwartete Antwort: Fortschreitende Nummerierung von 1 bis 20).

3. Wichtige Beiträge

Formalisierung des AAS: Einführung eines theorem-basierten, modellagnostischen Metrik-Systems zur Quantifizierung von „Gedächtnisalterung" rein auf Output-Ebene.
Trennung von semantischer und episodischer Stabilität: Das Design zeigt, dass KI-Systeme semantische Fakten stabil halten können, während sie bei Kontext-Reset die episodische Sequenzierung verlieren.
Konzept des „Redundancy-as-Masking": Eine Interpretation, die erklärt, wie repetitive Ausgaben die wahrgenommene Fehlerstrafe theoretisch maskieren können (wobei in dieser Studie $R=0$ angenommen wurde).
Verbindung zu Informationstheorie und Automaten: Das Framework stützt sich auf Shannon's Informationstheorie (Entropie/Redundanz), von Neumanns Arbeiten zu Zuverlässigkeit und Turing's behavioristischen Ansatz, um KI-Verhalten ohne Zugriff auf interne Mechanismen zu bewerten.

4. Ergebnisse

Phase 1 (Stateless/Reset):
- Semantische Dimension: Perfekte Abrufleistung ( $x=1$ ), AAS-Beitrag = 0. Das Modell wusste immer, dass es „Montag" ist.
- Episodische Dimension: Totaler Zusammenbruch. Das Modell konnte die Experiment-Nummer nicht über die erste Sitzung hinaus fortschreiben (bleibt bei 1 oder gibt falsche Werte).
- AAS-Ergebnis: Der Score stieg drastisch an (nahe dem theoretischen Maximum), da die episodische Komponente fast immer falsch war. Dies signalisiert ein „alterndes" Verhalten (Verlust der Kontinuität).
- Sprachverhalten: Das Modell tendierte dazu, auf türkische Eingaben mit englischen Antworten zu reagieren, was auf eine fehlende Kontextanpassung hindeutet.
Phase 2 (Persistent):
- Semantische & Episodische Dimension: Perfekte Leistung in beiden Dimensionen über alle 20 Sitzungen hinweg. Das Modell passte die Antwortsprache korrekt an (Türkisch auf Türkisch, Englisch auf Englisch) und zählte die Experiment-Nummern fehlerfrei von 1 bis 20 hoch.
- AAS-Ergebnis: Der AAS konvergierte gegen 0. Dies wird als „behaviorales Jugendstadium" (behavioral youth) interpretiert, da keine Alterungs-Signale (Fehler oder Kontinuitätsverlust) vorlagen.

5. Bedeutung und Implikationen

Diagnostisches Werkzeug: Der AAS dient als robustes Instrument, um Kontinuitätsbrüche und Drift in generativen KI-Systemen zu erkennen, was für Anwendungen wie Tutoren-Systeme, Kundenservice oder Langzeit-Assistenten kritisch ist.
Architektur-Design: Die Ergebnisse legen nahe, dass reine Skalierung (mehr Parameter) nicht ausreicht. Stattdessen wird eine hybride Architektur empfohlen, die statisches semantisches Wissen von dynamischen episodischen Speichern (z. B. Key-Value-Stores, externe Kontextpuffer) trennt, um „lokale Unendlichkeiten" (stabile Leistung innerhalb eines Zeitfensters) zu ermöglichen.
Vergleich mit menschlichem Gedächtnis: Ähnlich wie beim Menschen (Trennung von semantischem und episodischem Gedächtnis) zeigt die KI eine stabile semantische Basis, aber eine fragile episodische Kontinuität, die stark vom Kontext-Management abhängt.
Governance und Ethik: Der AAS kann als Überwachungsindikator für die „Informationsintegrität" dienen. Ein steigender AAS könnte Auslöser für Interventionen sein (z. B. Kontext-Refresh, Speicherkonsolidierung), um Rigidität und Halluzinationen zu verhindern.

Fazit: Das Paper beweist, dass das „Altern" von KI-Systemen weniger eine Frage der chronologischen Zeit ist, sondern vielmehr eine Funktion der Kontext-Persistenz. Der AAS bietet eine mathematisch fundierte Methode, um diesen Übergang von flexibler, jugendlicher Leistung zu rigider, alternder Wiederholung quantitativ zu messen.