Naukowcy opracowali MEMO - framework pozwalający dodawać nową wiedzę do dużych modeli językowych bez konieczności zmieniania ich parametrów. Zamiast modyfikować sam LLM, rozwiązanie wykorzystuje oddzielny moduł dedykowanej pamięci, który działa jako uzupełniające źródło informacji. Podejście to otwiera nowe możliwości szybkiej aktualizacji modeli bez ponownego trenowania całej sieci neuronowej, co dotychczas wymagało ogromnych zasobów obliczeniowych.
Tradycyjne podejście do aktualizacji wiedzy w modelach jak GPT czy Claude wiąże się z poważnymi problemami - trzeba albo wznowić całe trenowanie modelu na nowych danych, albo ryzykować "katastrofalne zapominanie", czyli utratę wcześniej nabytej wiedzy. MEMO zmienia tę logikę poprzez modularną architekturę. Zamiast ingerować w miliardy parametrów oryginalnego modelu, nowy moduł pamięci uczy się reprezentować i przechowywać aktualne informacje, pracując w harmonii z istniejącym LLM-em. To podejście znacznie ogranicza koszty obliczeniowe i pozwala zachować stabilność oraz spójność działania oryginalnego modelu.
Praktyczne implikacje są pokaźne dla branży AI. Firmy mogą teraz szybciej aktualizować swoje modele o nowe fakty, zmieniające się informacje lub domenową wiedzę specjalistyczną, nie inwestując w wielomiesięczne kampanie trenowania. Framework ma potencjał przyspieszenia wdrażania LLM-ów w branżach takich jak medycyna czy prawo, gdzie wiedza przestarzewa się szybko. MEMO stanowi krok w kierunku bardziej elastycznych i ekonomicznych systemów AI, którymi można zarządzać bez potrzeby stałych pełnych retrainingów.