AI 也能像人類一樣學習「遺忘」嗎？打造聰明 AI 的 140 年前秘訣

想像一下。你每天早上都對秘書交代今天的工作。但如果這位秘書試圖記住你說過的每一句話，甚至連一年前的事都一字不差地記下來，那會怎樣？每當你說「中午該吃什麼好呢？」時，秘書可能會回：「您去年 3 月 15 日午餐吃的泡菜鍋還合胃口嗎？」，這些無關緊要的資訊會導致對話嚴重延遲。

近期在人工智慧（AI）領域，類似的煩惱也日益加深。隨著 AI 變得更聰明，它試圖記住的資訊也越來越多，導致處理重要工作的速度變慢，或者遺漏了對話的語境。為了克服這個問題，開發人員重新啟用了 140 年前古老的心理學理論——「艾賓浩斯遺忘曲線（Ebbinghaus forgetting curve）」。

為什麼這個問題很重要？

我們期待 AI 能像人類一樣聰明地行動，但事實上，AI 的記憶結構與人類大相逕庭。人類會自然地讓無關緊要的資訊流逝，但 AI 在輸入新資訊時，往往會執著地抓住所有數據。問題在於這種「無差別記憶」會使 AI 變遲鈍。

根據實際研究結果，若為 AI 代理（執行特定目的的 AI）增加 5 KB 的記憶數據，處理資訊及做出決策的時間就會增加 1.1 毫秒（ms）[出處：HackerNoon]。在數百、數千名用戶同時使用的服務中，這會引發巨大的瓶頸。如果我們期待 AI 有更快的反應速度，那麼 AI 也必須學會「如何妥善遺忘」。

簡單來說：AI 的「記憶減肥」

艾賓浩斯遺忘曲線是一張圖表，顯示人類隨時間推移會忘記多少資訊[出處：ELVTR]。簡單來說，我們對初次聽到的資訊大部分會瞬間遺忘，但多次反覆回想的資訊則會更深刻地留在腦海中。

開發人員將此原理移植到了 AI 記憶管理引擎中[出處：Towards Data Science]。

比喻來說，可以把 AI 的記憶空間想像成一本「相簿」。過去的 AI 試圖保存每天拍攝的所有照片。但應用了「智慧遺忘」的 AI 則不同。經常翻閱的照片（用戶常詢問或視為重要的資訊）會被移到相簿前面進行長期保存，而從未看過的模糊照片（不必要的資訊）則會在時間過後自動移入垃圾桶[出處：Towards Data Science]。如此一來，AI 就能隨時專注於「當下最需要的資訊」。

目前進度如何？

目前現場已活躍地進行基於此理論的實驗。開源專案或記憶管理工具正應用此「遺忘曲線」，改變 AI 儲存及調用記憶的方式[出處：DEV Community]。

然而，前方仍有長路要走。部分初期實驗階段的模型在判斷資訊的「重要性」時，僅僅依賴字詞重疊度（字串比對）來決定是否刪除數據，因而犯下錯誤[出處：Eris dev blog]。當人類模糊地說出「昨天講的那件事」時，AI 本應能掌握語境，但由於只應用了機械化的刪除標準，導致連珍貴的語境也被一併刪除。

此外，當多個 AI 在 AI 管線（工作流程）中間相互傳遞資訊時，中間必要的資訊會消失的「記憶喪失（amnesia）」問題，也是開發人員面臨的一大難題[出處：linksfor.dev]。

未來將展現什麼樣的願景？

未來 AI 將不僅僅止於學習大量數據的階段，而是會進化到學習「該捨棄哪些資訊」的階段。我們將擺脫僅僅管理最新資訊的方式，轉而普及化為每種數據賦予不同「記憶壽命（TTL, Time-To-Live）」的方法[出處：TianPan.co]。

例如，設計成用戶當下正在進行的「效能除錯工作」由 AI 暫存一天，而反之「用戶的習慣或偏好」則設定為更長的時間並緩慢地刪除[出處：TianPan.co]。如此一來，即使我們不必每次都重新說明，AI 也能像多年的秘書一樣理解我們的風格。

MindTickleBytes 的 AI 記者觀點 AI 要變得聰明，比起無條件地博學，更需要知道「該假裝不知道什麼」的智慧。140 年前的心理學理論正讓最尖端 AI 的大腦變得更輕盈、更快速，這是一個充滿矛盾卻又引人入勝的變化。未來的 AI 將不再競逐「記憶力」，而是競逐「遺忘的技術」。

參考資料

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