近期，一支由计算机科学家组成的团队开发了一种更为灵活和具有弹性的机器学习模型，这一模型可以周期性地忘记已知信息，这是现有大语言模型所不具备的特性。

训练效率的提升

实验证明，在很多情况下，采用"忘却法"的训练效率非常高，并且忘却型模型的表现也更为出色。韩国基础科学研究院的AI工程师Jea Kwon表示，这一新研究意味着AI领域取得了明显的进步。

机器学习的工作原理

今天的AI语言引擎主要由人工神经网络驱动。在网络中，每个"神经元"都是一个数学函数，它们会相互交换信息并进行运算，从而逐渐优化信息流。然而，随着模型与训练数据的匹配，模型需要消耗大量的计算力，并且如果模型表现不佳或用户需求发生变化，就需要重新训练。

忘却法的应用

研究人员发现，通过周期性地重置模型的嵌入层，可以很容易地将新语言添加到已训练的模型中，从而提高模型的适应性和扩展性。这种方法不仅可以提高训练效率，还可以避免重新训练模型所需的大量数据和计算资源。

忘却型模型的优势

实验结果表明，采用周期性忘却技术训练的模型在处理多语言任务时表现更佳。与传统标准模型相比，忘却型模型在处理不同语言时具有更高的精确度，并且在重新训练时表现更加稳定。

与人类大脑的相似性

忘却法与人类大脑的运行模式有些相似。人类大脑在存储大量详细信息时可能并不精准，但它擅长记住经验要点和抽象信息，并且能够进行推断。因此，让AI具备类似于人类的忘却能力可能会使其更具弹性和适应性。

综上所述，基于忘却法的机器学习模型为AI领域带来了新的进步，使模型在处理多语言任务和适应新需求时表现更为出色。