AI也学人类‘遗忘’？让AI更智能的140年前秘诀

想象一下：你每天早上都告诉秘书今天要做的所有事。但如果这个秘书想把你说的每一句话，哪怕是1年前的琐事都一字不差地记住，会怎样呢？估计每次你说“今天中午吃什么好呢”时，秘书都会回答“您还记得去年3月15日午餐吃的泡菜汤吗？”，这种不合时宜的信息干扰会让对话完全无法进行。

最近，人工智能（AI）领域也陷入了类似的烦恼。AI越智能，试图记住的信息就越多，反而导致处理重要任务的速度变慢，或是丢失对话语境。为了解决这个问题，开发者们翻出了140年前的心理学理论——“艾宾浩斯遗忘曲线（Ebbinghaus forgetting curve）”。

为什么这个问题很重要？

我们期待AI能像人一样聪明地行事，但实际上AI的记忆结构与人类大不相同。人类会自然地过滤掉不重要的信息，而AI在接收新信息时，往往会固执地抓着所有数据不放。问题在于，这种“无差别的记忆”反而让AI变得迟钝。

研究结果显示，如果给AI Agent（执行特定任务的AI）多提供5千字节（KB）的记忆数据，处理信息和做出决策的时间就会增加1.1毫秒（ms）[出处: HackerNoon]。在数百甚至数千用户同时使用的AI服务中，这会引发严重的瓶颈效应。如果我们期待AI有更快的响应速度，那么AI也必须学会“如何更好地丢弃”。

简而言之：AI的“记忆瘦身”

艾宾浩斯遗忘曲线是展示人类随时间推移遗忘多少信息的图表[出处: ELVTR]。简单来说，我们对初次接收的大部分信息会转瞬即逝，但多次重复思考的信息会更深地印在脑海中。

开发者们将这一原理移植到了AI记忆管理引擎中[出处: Towards Data Science]。

打个比方，把AI的记忆空间想象成一本“相册”。以前的AI试图保留每一天拍下的所有照片。但应用了“智能遗忘”的AI则不同：经常翻看的照片（用户经常提问或重要的信息）会被移到相册前端以便保存得更久，而从未看过、已经模糊的照片（冗余信息）时间久了会自动进入垃圾桶[出处: Towards Data Science]。这样一来，AI就能始终专注于“当下最需要的信息”。

目前进展如何？

目前，业界已经在积极开展基于该理论的实验。开源项目和记忆管理工具正在通过应用“遗忘曲线”来改变AI存储和调用记忆的方式[出处: DEV Community]。

但前路依然漫长。部分处于早期实验阶段的模型在判断信息的“重要性”时，仅依据词汇重复率（字符串匹配）来删除数据，从而犯了错误[出处: Eris dev blog]。当人类模糊地说“昨天说的那个内容”时，AI本应能理解语境，但由于只应用了机械的删除标准，反而把珍贵的语境一起删除了。

此外，当AI流水线（工作流）中间有多个AI进行信息交互时，真正需要的信息在中途丢失的“失忆（amnesia）”问题，也是开发者们面临的一大难题[出处: linksfor.dev]。

未来会有怎样的前景？

未来，AI将超越单纯学习海量数据的阶段，进化为学习“该丢弃哪些信息”的阶段。告别单纯基于最新信息管理记忆的方式，赋予不同数据以不同的“记忆寿命（TTL, Time-To-Live）”将成为常态[出处: TianPan.co]。

例如，用户今天进行的“性能调试工作”只在当天被记住，而“用户的喜好或偏好”则会设计得在更长的时间内缓慢消退[出处: TianPan.co]。这样一来，无需我们反复解释，AI就能像老练的秘书一样理解我们的风格。

MindTickleBytes AI记者视角 AI要想变聪明，需要的不仅仅是博学，更需要知道“什么时候装糊涂”的智慧。140年前的心理学理论正在让尖端AI的大脑变得更加轻盈、迅速，这既是悖论又是充满趣味的变革。未来的AI竞争，比拼的可能不再是“记忆力”，而是“遗忘的艺术”。

参考资料

1. So this “forgetting curve” did not measure importance at all - Eris dev blog
2. I built a forgetting curve for an agent with one user - Hacker News
3. Multi-agent AI pipelines lose context at every handoff between agents - linksfor.dev
4. Forgetting is not passive at all. It is active. - Foxfire
5. German psychologist Hermann Ebbinghaus built a forgetting curve - ELVTR
6. Context Windows Forget What Matters — I Built a Usage-Reinforced Decay Engine for AI Agent Memory - Towards Data Science
7. Your Memory is a practical open-source MCP server that bakes the Ebbinghaus forgetting curve - DEV Community
8. The cost curve exposed its own remedy: trim context every fifty seconds and cap recall at twenty kilobytes - HackerNoon
9. This mirrors the Ebbinghaus forgetting curve, where retention decays exponentially - TianPan.co
10. Implements Ebbinghaus forgetting-curve retention with usage-based reinforcement - GitHub Topics