Нейросеть сама открыла метод «дворца памяти»: исследование Nature Machine Intelligence

Investigadores liderados por Li (Li et al.) publicaron el 20 de julio de 2026 en la revista Nature Machine Intelligence un trabajo que muestra que las redes neuronales recurrentes, entrenadas en la tarea de recuerdo libre, descubren por sí solas varias estrategias de memoria similares a las humanas al mismo tiempo — y las más precisas de ellas aplican un mecanismo basado en índices que recuerda a la antigua técnica mnemotécnica del "palacio de la memoria".

Qué mostró el estudio

Las redes neuronales recurrentes (RNN), optimizadas para la tarea de recuerdo libre (free recall), descubrieron no una, sino varias estrategias diferentes de memorización. Según Nature Machine Intelligence, estas estrategias van más allá de los modelos clásicos de contexto temporal (temporal context models), que durante décadas se consideraron la principal explicación de cómo las personas recuerdan listas de palabras en orden arbitrario.

El recuerdo libre es una prueba de memoria clásica: se muestra una lista a una persona y luego se le pide que la reproduzca en cualquier orden. Durante mucho tiempo, el comportamiento de las personas en esta prueba se describió precisamente mediante modelos de contexto temporal, en los que la probabilidad de recordar una palabra depende de lo cerca en el tiempo que se presentó respecto a sus vecinas. El nuevo trabajo muestra que esta tarea no tiene una única solución óptima.

*Publicación — 20 de julio de 2026, Nature Machine Intelligence, DOI 10.1038/s42256-026-01274-0

*Autores — Li et al.

*Método — redes neuronales recurrentes (RNN) optimizadas para el recuerdo libre

*Hallazgo clave — los mejores modelos usan un mecanismo basado en índices, análogo al "palacio de la memoria"

*A qué superaron — a los modelos clásicos de contexto temporal (temporal context models)

Qué tiene que ver el "palacio de la memoria"

Los modelos más eficaces se basaron en un mecanismo basado en índices (index-based): asignaban a los elementos que había que recordar una especie de dirección y accedían a ellos mediante estas marcas, en lugar de recorrer toda la secuencia por completo. El recurso recuerda a la técnica del "palacio de la memoria" (método de loci), que ya usaban los oradores de la Antigüedad — los datos se "colocan" mentalmente en las habitaciones de un edificio imaginario y luego se recuperan recorriendo una ruta conocida de antemano.

Es importante señalar que la red no recibió esta estrategia ya elaborada. Llegó a ella por sí misma, simplemente optimizándose para la precisión del recuerdo — es decir, el esquema basado en índices resultó ser una solución ventajosa para la propia tarea, y no un truco incorporado de antemano.

Por qué es importante

El trabajo acerca los mecanismos de memoria artificiales y biológicos. Si una red neuronal llega, sin ninguna pista, a una estrategia parecida a la mnemotecnia humana, esto es un argumento a favor de que tales estrategias son la solución óptima a la tarea de recuerdo, y no solo una invención cultural. Para la neurociencia, esta es una hipótesis comprobable sobre cómo el cerebro organiza el recuerdo libre.

Para la IA, la cuestión de la memoria a largo plazo sigue abierta: los modelos de lenguaje mantienen el contexto en una ventana limitada y organizan mal los recuerdos antiguos. La estrategia en la que los elementos se direccionan por índices, en lugar de revisarse de forma secuencial, se hace eco de cómo los sistemas modernos acoplan bases de datos externas y búsqueda vectorial. El estudio de Li et al. ofrece a esto una base biológicamente plausible.

Los mejores modelos usan un mecanismo basado en índices que recuerda a la técnica del "palacio de la memoria". — del artículo de

Li et al., Nature Machine Intelligence (DOI 10.1038/s42256-026-01274-0)

Qué significa esto

Las redes neuronales sirven cada vez más no solo como herramienta aplicada, sino también como modelo del cerebro. Al optimizar una red para una tarea de memoria concreta, los investigadores obtienen hipótesis comprobables sobre cómo funciona el recuerdo humano — y pistas para los futuros sistemas de IA con una memoria a largo plazo más estructurada.