25 A memória dos sistemas de inteligência artificial
Quando a primeira edição foi escrita, em 2020, falar da “memória” de um computador era falar de um arquivo: um lugar onde a informação é guardada intacta e recuperada pelo endereço. Estes (1980) já perguntava, em 1980, se a memória humana estaria obsoleta diante da memória dos computadores, e respondia que não: os modos de operação são tão diferentes que um não pode substituir o outro. Quarenta anos depois, os sistemas de inteligência artificial que mais se parecem conosco são justamente os que abandonaram o arquivo.
25.1 Memória endereçável pelo conteúdo
Em 1982, John Hopfield mostrou que propriedades computacionais úteis podem emergir como propriedades coletivas de sistemas com um grande número de componentes simples equivalentes (ou neurônios). O modelo produz uma memória endereçável pelo conteúdo (content-addressable memory), que recupera corretamente uma memória inteira a partir de qualquer parte suficientemente grande dela, e exibe ainda alguma capacidade de generalização, reconhecimento de familiaridade, categorização, correção de erros e retenção de sequências temporais (Hopfield, 1982). Essa é a memória humana dos capítulos anteriores (memória e contexto, esquemas): o cheiro de hortelã devolve o texto inteiro, o pregador de roupas no lugar certo devolve o seu significado.
25.2 Esquecimento catastrófico e os dois sistemas
As redes conexionistas, porém, tinham um problema. McCloskey e Cohen (1989) descreveram a interferência catastrófica: ao aprender uma nova tarefa em sequência, a rede destrói o que aprendeu antes. O cérebro não faz isso, e a explicação proposta por McClelland, McNaughton e O’Reilly (1995) é uma das ideias mais férteis da neurociência da memória: existem sistemas de aprendizagem complementares. As memórias são primeiro armazenadas por mudanças sinápticas no sistema hipocampal; essas mudanças permitem reinstalar as memórias recentes no neocórtex; as sinapses neocorticais mudam um pouco a cada reinstalação; e a memória remota se baseia nas mudanças neocorticais acumuladas. Modelos que aprendem por mudança de conexões descobrem a estrutura de um conjunto de itens se o aprendizado de cada item for gradual e intercalado com o de outros; o neocórtex aprende devagar para descobrir estrutura, e o hipocampo permite o aprendizado rápido de itens novos sem perturbá-la (McClelland; McNaughton; O’Reilly, 1995). É exatamente o padrão de HM: hipocampo lesado, aprendizado rápido de episódios abolido, conhecimento antigo preservado.
A teoria foi atualizada em 2016 por pesquisadores que trabalhavam, ao mesmo tempo, em neurociência e em inteligência artificial: agentes inteligentes precisam de dois sistemas de aprendizagem, um que adquire gradualmente representações estruturadas e outro que aprende rapidamente os detalhes de experiências individuais; a reativação (replay) das memórias hipocampais permite ponderar a estatística das experiências segundo os objetivos, e a teoria tem relevância direta para o desenho de agentes artificiais (Kumaran; Hassabis; McClelland, 2016).
25.3 Esquecer para generalizar
Richards e Frankland (2017) traçaram paralelos entre os mecanismos neurobiológicos e computacionais da transitoriedade da memória. A tese deles, já apresentada no capítulo sobre o esquecimento, é que a transitoriedade aumenta a flexibilidade, ao reduzir a influência de informação desatualizada sobre as decisões, e impede o overfitting a eventos passados específicos, promovendo a generalização. Em aprendizado de máquina (machine learning), overfitting é o nome que se dá ao modelo que decorou os exemplos e não aprendeu a regra, e “regularização” é o termo que se refere às técnicas que o obrigam a esquecer um pouco. O objetivo da memória, para esses autores, não é transmitir informação através do tempo, mas otimizar a tomada de decisão (Richards; Frankland, 2017).
25.4 Modelos de linguagem: duas memórias
Os modelos de linguagem atuais são construídos sobre a arquitetura Transformer, baseada no mecanismo de atenção (Vaswani et al., 2017). Neles é possível reconhecer, por analogia, dois tipos de memória.
A primeira está nos pesos da rede: bilhões de parâmetros ajustados lentamente, durante o treinamento, sobre um volume enorme de texto. É o que permite ao modelo “saber” que aves têm asas sem ter armazenado cada ave, exatamente a compactação que o capítulo sobre memória semântica descreveu. Como o neocórtex da teoria dos sistemas complementares, essa memória aprende devagar, generaliza e não guarda episódios.
A segunda está na janela de contexto: o texto da conversa em curso, que o modelo mantém “em mente” enquanto responde e que se perde quando a conversa termina. Brown e colaboradores (2020) mostraram que modelos grandes aprendem a partir de poucos exemplos fornecidos no próprio texto de entrada (few-shot learners), sem alterar os pesos, um aprendizado que existe só enquanto dura o contexto. A analogia com a memória de trabalho é tentadora: capacidade limitada, serve às operações em curso, volátil. O que falta a esses sistemas é justamente a ponte hipocampal, a passagem do episódio para o longo prazo; a geração aumentada por recuperação (retrieval-augmented generation), que consulta um banco de documentos externo para tarefas intensivas em conhecimento (Lewis et al., 2020), é uma das tentativas de suprir essa falta com uma memória endereçável pelo conteúdo acoplada por fora.
25.5 Um espaço de trabalho dentro do modelo
Em 2026, pesquisadores da Anthropic descreveram, dentro de um modelo de linguagem, um espaço de capacidade limitada, com entrada seletiva, cujo conteúdo prediz e determina o que o modelo diz: em geral não mais do que cerca de 25 representações significativamente ativas de cada vez, respondendo por uma fração pequena da atividade total (Gurnee et al., 2026). Esse achado é discutido, do ponto de vista da consciência, no livro irmão deste (Consciência, 2ª ed.). Do ponto de vista da memória, ele mostra que a distinção entre o pouco que está “em mente” e o muito que está armazenado, a mesma que separa a memória de trabalho da memória de longo prazo, reapareceu dentro de um sistema que ninguém projetou para tê-la.
O papel do espaço foi testado por remoção e por instrução (Gurnee et al., 2026). Com o conteúdo ativo do espaço zerado, o raciocínio em múltiplas etapas caiu a quase zero, e sumarização, tradução e analogias degradaram; múltipla escolha, análise de sentimento e continuação de texto seguiram essencialmente intactas — o processamento automático dispensa o espaço, a cognição flexível não. O conteúdo é ainda relatável e controlável: o modelo nomeia o que está no espaço (trocado o padrão de “futebol” pelo de “rúgbi”, o relato acompanha) e, instruído a manter frutas cítricas em mente enquanto copia um texto sem relação, conserva “laranja” e “limão” ativos sem que apareçam na resposta (Gurnee et al., 2026). São os métodos do estudo da memória de trabalho humana aplicados por dentro do modelo: ocupar ou remover um componente e medir o que sobrevive, e tomar o relato preciso como critério do que está no espaço.
A teoria em que os autores se apoiaram, a do espaço global de trabalho, foi usada na neurociência para explicar a memória de trabalho: o conteúdo consciente é amplamente difundido pelo cérebro, e essa difusão recruta as redes inconscientes responsáveis pelo ensaio e pela imagem mental (Baars; Franklin, 2003). Juntando os dois resultados, o espaço verbalizável do modelo seria o candidato a análogo funcional de uma memória de trabalho do modelo. Nenhuma das duas fontes afirma essa equivalência; até aqui, ela é uma conjectura.
Nada acima diz que um sistema de inteligência artificial lembra como uma pessoa lembra. As analogias deste capítulo são funcionais: descrevem o que os sistemas fazem com a informação. A memória humana é reconstrutiva, emocional, autobiográfica e a serviço de um self, e cada um desses adjetivos é um capítulo deste livro que ainda não tem tradução para esses sistemas.
- Memória endereçável pelo conteúdo (Hopfield): recupera o todo a partir de uma parte — como a hortelã devolve o texto inteiro.
- Sistemas de aprendizagem complementares: o hipocampo aprende rápido os episódios, o neocórtex aprende devagar a estrutura; isso evita a interferência catastrófica e é o padrão de HM.
- A transitoriedade (o esquecimento) evita o overfitting ao passado e favorece a generalização.
- Nos modelos de linguagem, por analogia: pesos ≈ memória semântica lenta; janela de contexto ≈ memória de trabalho; recuperação externa (RAG) ≈ memória endereçável pelo conteúdo acoplada por fora; falta a ponte hipocampal.
- Um espaço de trabalho de capacidade limitada emergiu dentro dos modelos de linguagem sem ter sido projetado: removê-lo derruba o raciocínio em múltiplas etapas e poupa o processamento automático; a ponte com a memória de trabalho humana é, por ora, conjectura.
- As analogias são funcionais: nada disso diz que um sistema artificial lembra como uma pessoa.