Memoria: Concepts, Methods, and Applications

• Memoria is a multifaceted concept that encompasses the selective persistence of traces and information across computational, historical, and cognitive domains.
• It underpins modern memory architectures in large language models and AI, utilizing mechanisms like memory quadruple, dynamic summarization, and associative retrieval.
• Memoria also informs practical archival and robotic applications by integrating active protocols, targeted forgetting, and efficient data retrieval.

Memoria designa, en la investigación contemporánea, un conjunto de fenómenos relacionados por la persistencia selectiva de huellas. En sentido general, puede definirse como la capacidad de retener y recordar información en una diversidad de formas; en modelos de lenguaje, como un estado persistente escrito durante pretraining, finetuning o inferencia, posteriormente direccionable y con influencia estable sobre las salidas; en historia de la ciencia, como una “memoria colectiva-científica” compuesta por placas, cuadernos, metadatos y archivos contextuales; y, en la tradición textual, como una memoria o memorial que preserva observaciones, trayectorias personales o legados disciplinares (Wilson et al., 2013, Zhang et al., 23 Sep 2025, Meilán et al., 2024, Berrilli et al., 2021).

1. Definiciones y campo conceptual

En la literatura computacional clásica, la memoria se define como “the ability to retain and recall information in a diverse range of forms”, y su evaluación se articula mediante propiedades tales como generalisation, adaptation, persistence, scalability & efficiency, memory extraction, unbiasedness, accuracy y ease of implementation (Wilson et al., 2013). Esa formulación es lo bastante amplia como para incluir implementaciones emergentes, simbólicas, neuronales e híbridas.

En la literatura reciente sobre modelos de lenguaje, la noción se formaliza con mayor precisión. “Memory in LLMs: Mechanisms, Evaluation and Evolution” define la memoria de un LLM como “a persistent state that is written during pretraining, finetuning, or inference, can be subsequently addressed, and stably influences outputs”, y propone una taxonomía en cuatro partes: parametric, contextual, external, y procedural/episodic (Zhang et al., 23 Sep 2025). El mismo trabajo introduce la “memory quadruple”, centrada en location, persistence, write/access path y controllability, y organiza el análisis mediante la cadena write $\rightarrow$ read $\rightarrow$ inhibit/update (Zhang et al., 23 Sep 2025).

En historia y archivística científica, la expresión adquiere un espesor institucional. En el Observatorio de La Plata, la “memoria colectiva-científica” no reside sólo en artículos publicados, sino también en handwritten logs, photographic emulsions, metadata, instrumental configurations y contextual archives, es decir, en el cuerpo material mediante el cual generaciones de observadores registraron campañas, mediciones y decisiones metodológicas (Meilán et al., 2024). Esta ampliación del término desplaza la memoria desde un mero depósito de datos hacia un sistema de transmisión de prácticas y contextos.

2. Memoria colectiva-científica y registro histórico

Un caso paradigmático de memoria como patrimonio científico es el proyecto ReTrOH del Observatorio de La Plata. Desde 2019, equipos de la FCAG-UNLP y del Instituto de Astrofísica de La Plata rescatan, limpian, catalogan, digitalizan y revalorizan varios miles de placas espectrográficas de vidrio fechadas desde 1904 hasta la década de 1950 (Meilán et al., 2024). El conjunto incluye placas espectrofotométricas de diversos tamaños, cuadernos manuscritos con nombres de observadores, fechas, tiempos de exposición, coordenadas celestes y configuraciones instrumentales, así como fundas de papel o cartón y archivos contextuales tales como correspondencia, informes de expedición y resoluciones institucionales (Meilán et al., 2024). Su valor científico es doble: preserva la historia observacional y permite, mediante la comparación entre un espectro antiguo y uno actual, reconstruir parte de la historia de una estrella (Meilán et al., 2024).

La preservación material y la digitalización son inseparables en este caso. ReTrOH adoptó medidas de conservación preventiva inspiradas en Gaël de Guichen, con cuarentena, estabilización mecánica y química, monitoreo de temperatura y humedad, y uso de coveralls, masks y gloves durante la manipulación (Meilán et al., 2024). Entre 2019 y el inicio de la pandemia en 2020, el equipo escaneó aproximadamente 200 placas con un Nikon 9000 ED a 4000 dpi, y una tubería escrita en Python convirtió los TIFF en FITS incorporando en cada header key-value pairs para object name, telescope, spectrograph dispersion, date/time, observer y observatory code; los archivos FITS fueron depositados en SEDICI con acceso universal de sólo lectura (Meilán et al., 2024). La validación mediante el reprocesamiento de espectros de HD 50845 adquiridos en 1984, reducidos con rutinas IRAF, mostró radial velocities y spectral types consistentes con los valores publicados dentro de las incertidumbres originales (Meilán et al., 2024).

La “Memoria sull’Aurora Elettrica del 4 Febbraio 1872” de Angelo Secchi ilustra otra modalidad de memoria científica: la nota observacional destinada explícitamente a preservar un evento extraordinario “for posterity” (Berrilli et al., 2021). Secchi registró color, morfología, duración, dirección y extensión de la aurora, junto con acompañamientos magnéticos, eléctricos y meteorológicos; identificó la línea verde de oxígeno a 557.7 nm, las componentes rojas a 630.0 nm, estimó una altitud de aproximadamente 246 km, cuantificó una excursión declinatoria de $1^\circ 7'$ y un cambio horizontal $\Delta H = -0.0262$ ($-600$ nT), y vinculó el episodio con perturbaciones telegráficas, incluido el cable transatlántico (Berrilli et al., 2021). Esto sugiere que, en astronomía e historia de la geofísica, la memoria no sólo conserva datos, sino también escalas de observación, infraestructuras afectadas y marcos causales en formación.

3. Memoria humana, reconocimiento y augmentación

En investigación cognitiva aplicada, la memoria aparece como sensibilidad a la estructura configuracional. “Controlling Face’s Frame Generation in StyleGAN’s Latent Space Operations: Modifying faces to deceive our memory” parte de la hipótesis de que el reconocimiento facial depende fuertemente del “face-frame”, entendido como la geometría relativa de ojos, nariz, boca y contorno facial (Roca et al., 2024). El trabajo operacionaliza ese frame mediante landmarks bidimensionales y una normalized Procrustes distance $D_{\text{frame}}(I,I')$, y muestra, sobre 1,000 random faces, que eye-opening y mouth-opening producen valores medios aproximados de $0.015$ y $0.018$, mientras que vertical orientation llega a $0.045$, smile a $0.085$, age y gender a $\rightarrow$0, y horizontal orientation a $\rightarrow$1 (Roca et al., 2024). El mismo artículo señala que no incluye human-subject data, por lo que las implicaciones para eyewitness reliability son habilitantes más que concluyentes (Roca et al., 2024).

La augmentación externa de la memoria humana también ha sido tratada como problema de interfaz. “Memoro: Using LLMs to Realize a Concise Interface for Real-Time Memory Augmentation” describe un asistente vestible, audio-basado, con Query Mode y Queryless Mode, que usa un LLM para inferir necesidades de memoria en contexto conversacional, realizar semantic search sobre memorias y devolver sugerencias mínimas (Zulfikar et al., 2024). En un estudio within-subject con $\rightarrow$2, el sistema redujo la longitud de las respuestas respecto del baseline, disminuyó el tiempo de interacción con el dispositivo, incrementó la confianza en el recuerdo y preservó la calidad conversacional, aunque Queryless Mode mostró menor accuracy que Query Mode (Zulfikar et al., 2024). Una implicación plausible es que la memoria, en escenarios de interacción en tiempo real, puede redistribuirse entre el sujeto y un asistente de recuperación semántica sin quedar reducida a simple transcripción de contexto.

4. Memoria en modelos de lenguaje y agentes persistentes

En agentes basados en LLM, la memoria ha pasado de ser un suplemento heurístico a constituir un eje arquitectónico. El marco taxonómico propuesto en “Memory in LLMs: Mechanisms, Evaluation and Evolution” distingue memoria parametric, contextual, external y procedural/episodic, y recomienda un protocolo de evaluación en tres regímenes —Parametric-Only, Offline Retrieval y Online Retrieval— para separar capacidad del modelo, disponibilidad informativa y temporalidad de las fuentes (Zhang et al., 23 Sep 2025). El mismo trabajo introduce DMM-Gov, que coordina DAPT/TAPT, PEFT, model editing y RAG dentro de un ciclo auditable de admission thresholds, rollout, monitoring, rollback y change audits (Zhang et al., 23 Sep 2025).

Sobre esa base, “Memoria: A Scalable Agentic Memory Framework for Personalized Conversational AI” propone una arquitectura híbrida con dynamic session-level summarization y un weighted knowledge graph-based user modelling engine (Sarin et al., 14 Dec 2025). La primera capa mantiene la coherencia local del diálogo; la segunda extrae triplets $\rightarrow$3 únicamente de los mensajes del usuario, los indexa con embeddings y aplica exponential decay en retrieval para privilegiar información reciente (Sarin et al., 14 Dec 2025). En LongMemEvals, con GPT-4.1-mini, Retrieval $\rightarrow$4 y decay $\rightarrow$5, el sistema reporta $\rightarrow$6 en Single-Session y $\rightarrow$7 en Knowledge-Update, usando aproximadamente $\rightarrow$8 tokens por prompt frente a $\rightarrow$9 en full-context (Sarin et al., 14 Dec 2025).

La formulación más radical aparece en “Memory as Ontology: A Constitutional Memory Architecture for Persistent Digital Citizens”, donde se sostiene el desplazamiento desde Memory-as-Tool hacia Memory-as-Ontology (Li, 5 Mar 2026). Animesis y su Constitutional Memory Architecture se basan en tres axiomas —Memory Inalienability, Model Substitutability, Governance Precedes Function— y en una jerarquía de cuatro capas: Constitution, Contract, Adaptation e Implementation (Li, 5 Mar 2026). El contenido se organiza en High-Stability, Mid-Stability, Low-Stability y Transition Tier, con escritura append-only y un Digital Citizen Lifecycle que incluye Birth, Inheritance, Growth, Forking y Departure (Li, 5 Mar 2026). Esta propuesta no presenta benchmark evidence de retrieval performance, pero redefine la memoria como soporte de identidad, continuidad y gobernanza, más que como mecanismo de recuperación (Li, 5 Mar 2026).

Una vía biológicamente inspirada, pero más cercana a la ingeniería de desempeño, aparece en “Human-Inspired Memory Architecture for LLM Agents”. Allí se integran seis mecanismos: sleep-phase consolidation, interference-based forgetting, engram maturation, reconsolidation upon retrieval, entity knowledge graphs y hybrid multi-cue retrieval (Kerestecioglu et al., 8 May 2026). En un dataset de VSCode issue tracking con 13K issues y 120K events, la deduplication-based consolidation alcanza $1^\circ 7'$0 de retention precision con $1^\circ 7'$1 de reducción del store; en LongMemEval, a un presupuesto de 200K tokens, el pipeline logra $1^\circ 7'$2 frente a $1^\circ 7'$3 de raw retrieval, con intervalos de confianza superpuestos (Kerestecioglu et al., 8 May 2026).

5. Representaciones explícitas, olvido y recuperación selectiva

La tensión entre retención, olvido y recuperabilidad ya estaba presente en el survey “Memory Implementations – Current Alternatives”, que compara complejidad emergente, Hopfield networks, artificial immune systems, hash tables, case-based reasoning y expert systems mediante propiedades como generalisation, adaptation, persistence y memory extraction (Wilson et al., 2013). La literatura reciente reabre ese problema con un vocabulario más formal, pero con preocupaciones análogas: qué se conserva, cómo se direcciona y qué costo estructural o semántico tiene el olvido.

“Memoria: Resolving Fateful Forgetting Problem through Human-Inspired Memory Architecture” propone un módulo externo con Working Memory, Short-Term Memory, Long-Term Memory y un grafo dirigido de engrams con lifespan dinámico (Park et al., 2023). Inspirado en el Multi-Store Model, displacement and trace-decay, SAM y Hebbian plasticity, el sistema evita el “fateful forgetting” mediante recuperación guiada por contexto y extensión selectiva de $1^\circ 7'$4 para memorias activamente recuperadas (Park et al., 2023). En sorting, language modeling y classification supera técnicas convencionales, y el análisis de engrams muestra primacy, recency y temporal contiguity effects (Park et al., 2023).

“MeMo: Towards LLMs with Associative Memory Mechanisms” desplaza la discusión hacia la memorización explícita. En lugar de delegar la memoria al ajuste de pesos de un Transformer, MeMo almacena secuencias textuales en Correlation Matrix Memories con codificaciones aleatorias de tokens y subsecuencias, permitiendo inspección y edición directa del almacén (Zanzotto et al., 18 Feb 2025). Su mecanismo de forgetting consiste en restar outer products previamente añadidos, de modo que la eliminación de una secuencia sea exacta (Zanzotto et al., 18 Feb 2025). Este diseño hace de la memoria un componente explícito y editable, no sólo una propiedad emergente del entrenamiento.

Otras arquitecturas se concentran en el equilibrio entre abstracción y detalle. “Memora: A Harmonic Memory Representation Balancing Abstraction and Specificity” organiza la información mediante primary abstractions que indexan concrete memory values y cue anchors que expanden rutas de acceso; además, formula la recuperación como un retrieval MDP con acciones de Refine, Expand y Stop (Xia et al., 3 Feb 2026). “Memori: A Persistent Memory Layer for Efficient, Context-Aware LLM Agents” opta por semantic triples y conversation summaries en la capa API, obteniendo $1^\circ 7'$5 de accuracy en LoCoMo con 1,294 tokens por query, $1^\circ 7'$6 menos tokens que aproximaciones competidoras y más de $1^\circ 7'$7 de ahorro frente a full-context (Borro et al., 20 Mar 2026).

En el extremo multimodal y on-device, “ScrapMem: A Bio-inspired Framework for On-device Personalized Agent Memory via Optical Forgetting” introduce Scrapbook Page, Episodic Memory Graph y Optical Forgetting, una compresión óptica que reduce progresivamente resolución y calidad de recuerdos antiguos (Chang et al., 5 May 2026). En ATM-Bench reporta Joint@10 = $1^\circ 7'$8, Recall@10 = $1^\circ 7'$9 y una reducción de memoria de hasta $\Delta H = -0.0262$0 con optical forgetting (Chang et al., 5 May 2026). Finalmente, “AutoMem: Automated Learning of Memory as a Cognitive Skill” trata la gestión de memoria como metamemory entrenable, promoviendo file-system operations a acciones de primer orden; en Crafter, MiniHack y NetHack, optimizar sólo la memoria mejora el desempeño del agente base aproximadamente entre $\Delta H = -0.0262$1 y $\Delta H = -0.0262$2 (Wu et al., 1 Jul 2026). Esto sugiere que, en agentes de horizonte largo, la memoria no es únicamente un repositorio, sino también una destreza operativa.

6. Infraestructuras técnicas y memoria como conservación de legados

En robótica cognitiva, la memoria se formula como componente activo de arquitectura. “A Memory System of a Robot Cognitive Architecture and its Implementation in ArmarX” sostiene que una memoria debe ser active, multi-modal, associative, introspective e inherently episodic, y la implementa mediante Sensory Memory, Working Memory, Long-Term Memory y Prior Knowledge distribuidos sobre memory servers coordinados por un Memory Name System (Peller-Konrad et al., 2022). El sistema usa una jerarquía episódica de seis niveles, un Interpretable Data Format, compresión online y abstracción offline mediante auto-encoders; en un estudio pick-and-place, el almacenamiento pasó de 35.7 MB/s sin filtrar a 0.213 MB/s tras filtrado y compresión, y luego a 0.00383 MB/s con abstracción offline (Peller-Konrad et al., 2022).

En sistemas de inferencia profunda, la memoria también designa un problema de planificación y contención. “Memory Planning for Deep Neural Networks” identifica la latencia introducida por malloc/free y mutex contention en inferencia CPU multithread, y propone MemoMalloc, que combina perfilado dinámico y static analysis para reemplazar miles de asignaciones por un único slab y vistas sobre offsets preplanificados (Levental, 2022). En una amplia gama de arquitecturas, el método reduce la latencia de inferencia hasta en un $\Delta H = -0.0262$3, con aumentos moderados del pico de memoria (Levental, 2022). Aquí, memoria significa disposición material de buffers y no contenido semántico, pero la cuestión sigue siendo la misma: persistencia, direccionamiento y costo de acceso.

El término conserva, además, un uso explícitamente conmemorativo. “Memoria of Valery Anatolievich Senderov” es una pieza breve, conversacional y personal que preserva el legado pedagógico de Senderov, en particular su método de “выделение идейного ядра” de un problema y su papel en la tradición de los “математические бои” (Kanel-Belov, 2015). “In Memoriam: Peter Higgs (1929–2024)” combina homenaje personal y revisión técnica del mecanismo de Higgs, de la historia electrodébil y del descubrimiento del bosón en 2012 (Bietenholz et al., 2024). Una implicación plausible es que la memoria disciplinar no se agota ni en archivos ni en bases de conocimiento: también incluye narrativas que fijan estilos de trabajo, metáforas, prioridades intelectuales y figuras de autoridad.

En conjunto, la literatura muestra que memoria es un término transversal cuyo núcleo no es un soporte específico, sino una función: conservar trazas relevantes, reactivarlas bajo condiciones pertinentes, administrar su transformación en el tiempo y dotarlas de contexto para que sigan siendo cognitivamente, científicamente o institucionalmente operativas.