持续学习：让AI告别“一学永逸”，像人一样在动态世界中成长

一句话解释

持续学习指AI模型在初始训练完成后，能够在不重新训练整个模型的前提下，持续从新出现的数据流中学习新任务或新知识，并尽可能保留对已学旧知识的记忆，从而实现在动态环境中的长期适应与进化。

为什么会被关注

现实世界是动态变化的，新信息、新场景层出不穷。传统AI模型一旦训练完成，其知识便“冻结”，难以适应新数据（如新的商品类别、新的网络用语），强行用新数据训练又会导致“灾难性遗忘”——忘记旧知识。随着AI深入各行各业，对模型“与时俱进”和“举一反三”的能力要求越来越高，持续学习成为解决这一核心矛盾、降低模型长期维护成本的关键技术。

核心逻辑

其核心是在“学习新知识”和“保留旧知识”之间取得平衡。主要技术路径包括：1）正则化方法，通过给重要的旧知识参数施加“保护”，限制其大幅变动；2）动态架构，为学习新任务分配新的网络模块或参数；3）基于记忆回放，定期用存储的少量旧数据与新数据一起训练，唤醒模型对旧知识的记忆。本质是模仿人类大脑渐进式、关联式的学习方式。

常见场景

在自动驾驶领域，车辆需要不断学习识别新出现的道路设施或罕见车型。在个性化推荐系统中，系统需实时学习用户变化的口味和新兴的热点内容。在工业质检中，模型需在不影响原有检测能力的前提下，学习检测新出现的产品缺陷。智能客服需要在不混淆旧答案的情况下，学习回答关于新产品或新政策的问题。这些场景都要求模型具备“学而不忘”的能力。

容易混淆的点

持续学习常与“在线学习”和“迁移学习/微调”混淆。在线学习强调模型对数据流的即时顺序处理，但不强调避免遗忘旧任务。而标准的迁移学习或微调，其目标是将预训练模型快速适配到一个特定的新任务上，通常不关心模型在旧任务上的性能保留。持续学习则明确要求模型作为一个整体，在序列化的多个任务上持续积累知识，其核心挑战和评价标准正是对“灾难性遗忘”的克服程度。