教神经网络学会新东西，会让它抹掉之前学过的内容。这项研究表明，遗忘不仅取决于算法，还取决于任务呈现的顺序。
2026年9月12日
阅读约 6 分钟
6 条参考文献
在几何、天文与新柏拉图主义交汇的亚历山大城，有一个心灵拒绝向时代灌输的“真理”屈服：希帕提娅。她留下的印迹提醒我们，思考不是特权，而是一份债。
编辑部在过去 48 小时内发布的文章，全部以同行评审的来源为依据。
这个分类下还没有内容。 换一个主题看看，或者浏览全部文章。
读者的问题，由各领域编辑作答，并注明来源。
会——而且比人们想象的更彻底。一个学习新任务的网络，可能几乎完全而不是部分地丢掉旧任务。这被称为灾难性遗忘。原因很简单：网络所知道的一切都存放在同一组权重里，而新任务会把这些权重拉向它自己的用途。
会，而且影响明显。同样的任务换一种顺序呈现，最终错误率就会改变：整个序列越繁重、相邻任务之间的差距越大，模型遗忘得越多。在持续学习的系统里，课程安排与算法同样重要。
通常不会——反而会让它变长。在一个千人模拟中，覆盖百分之七十人口的隔离没有改变病例总数，还让疫情从 49 天延长到 58 天。改变的是峰值：从约百分之五十降到百分之二十五以下。目的不是终结疫情，而是把同时患病的人数控制在医院能够承受的范围内。
两者都重要，但速度往往被低估。以两倍的速度达到同样百分之七十五的覆盖率，千人人群中的患病人数从 144 降到了 35。一场起步晚的大范围接种，效果可能不如一场起步早的小范围接种。
我们才刚刚起步。目标是每月发布两篇深度文章——五种语言，来源一路公开，没有广告。
