谷歌發布Nested Learning新范式，解決AI“災難性遺忘”難題6

　　困擾人工智能數十年的“災難性遺忘”難題，終于迎來破局時刻。谷歌研究團隊近日在NeurIPS2025會議上正式發布Nested Learning（嵌套學習）——一種受人類神經可塑性啟發的全新機器學習范式，首次讓AI模型在持續學習新任務的同時，幾乎完全保留舊知識，遺忘率逼近零。這一突破標志著AI正從“一次性專家”邁向“終身學習者”的關鍵轉折。

　　為何AI總“學了就忘”?

　　傳統神經網絡在學習新技能（如編程）時，會通過參數更新覆蓋原有知識(如寫作)，導致舊能力急劇退化——這種“災難性遺忘”嚴重制約AI在動態環境中的實用性?，F有方法如凍結部分參數或施加正則化約束，僅是打補丁，無法模擬人腦中短期記憶靈活、長期記憶穩固的協同機制。

　　像洋蔥一樣分層記憶:Nested Learning的革命性架構

　　谷歌的解決方案徹底重構了學習框架:不再將模型視為單一整體，而是一組嵌套的優化子系統，形成多時間尺度的“記憶洋蔥”:

　　高頻層:快速響應即時任務，如對話中的臨時上下文;

　　中頻層:整合近期經驗，確保知識連貫過渡;

　　低頻層:鎖定核心長期記憶，如基礎語言規則或物理常識，幾乎不受新數據干擾。

　　該架構通過統一優化機制，使各層自主協調更新節奏，實現“自適應修改”——新知識被吸收，舊知識被保護，徹底避免梯度沖突導致的記憶擦除。

　　實測碾壓:遺忘率趨近于零

　　基于該范式的原型系統HOPE（Hierarchical Optimization with Persistent Evolution）在多項基準中表現驚艷:

　　在Needle-In-A-Haystack長上下文檢索任務中，準確率提升超20%;

　　多任務持續學習場景下（如交替訓練編程與寫作），舊任務性能保持率高達98%，而傳統方法僅70%;

　　模型遺忘曲線呈現漸進式衰減，而非突發性崩潰，更接近人類學習行為。

　　應用前景:從Gemini到機器人，AI將真正“活”起來

　　Nested Learning的落地將重塑多個領域:

　　大模型（如Gemini）:無需反復重訓，可在線持續吸收新知識，實現“終身進化”;

　　醫療AI:在新增病例中學習，卻不遺忘數十年醫學知識庫;

　　金融系統:適應短期市場波動，同時保留對經濟周期的長期判斷;

　　具身機器人:在復雜環境中習得新動作，而不會“忘記”如何安全行走。

　　AIbase認為，Nested Learning不僅是算法革新，更是對AI本質的重新定義——當機器具備類似人類的持續成長能力，智能將不再是靜態的“產品”，而成為動態演化的“生命體”。這場由谷歌掀起的“記憶革命”，或許正是通用人工智能通往現實的關鍵一步。