# 导语
近日，“AI学会‘睡觉’”引发关注。谷歌试图通过类似“睡眠”的离线巩固机制，缓解大模型在持续学习中“边学边忘”的顽疾。所谓“睡觉”并非拟人化休息，而是指模型在任务间隙进入离线整理阶段，对近期经验进行重放、压缩与参数巩固，从而降低新知识对旧能力的覆盖。
# 机制分析
大模型的灾难性遗忘，根源在于参数共享与数据分布漂移：当模型连续学习新任务时，共享权重会被快速重写，旧任务表征随之退化。谷歌思路的核心，是把“在线学习”和“离线巩固”解耦：在线阶段吸收新经验，离线“睡眠”阶段通过经验回放、重要权重保护和记忆重组，把短期更新沉淀为长期能力。这一路径借鉴了生物睡眠中的记忆巩固机制，也延续了持续学习中的正则化与回放传统。
# 挑战与意义
真正难点不在概念，而在工程与评估：旧数据不可得时如何重放、离线计算成本如何控制、隐私与版权边界如何界定，以及怎样衡量“学会了”而非“记住了”。若谷歌能在规模化模型中验证该机制，大模型有望从一次性预训练的静态系统，转向可持续进化的学习系统，对个性化助手、边缘设备和长期任务场景意义显著。
