根据@godofprompt报道，DeepMind研究团队发现神经网络在经历数千轮训练后，可能突然在某一轮实现完美泛化，这一现象被称为“Grokking”。Grokking已从训练中的异常表现变为理解AI模型如何学习和泛化的核心理论。这一发现为深度学习模型的训练效率和优化方法带来新机遇，有助于降低运算成本并加快AI开发进程。来源：@godofprompt（https://x.com/godofprompt/status/2008458571928002948）。

据@godofprompt报道，麻省理工学院（MIT）研究人员提出的“彩票票假说”表明，神经网络中多达90%的参数可以被删除，而不会影响模型精度（来源：https://x.com/godofprompt/status/2007028426042220837）。虽然该理论已提出五年，但随着AI生产环境的需求增长，这一技术正从学术好奇转变为实际必需。2024年，大规模采用该方法有望显著降低AI推理成本，为企业带来高效深度学习模型和边缘计算AI部署的新商机。模型优化和资源高效AI成为人工智能行业核心竞争力（来源：@godofprompt）。