困扰人工智能数十年的 「灾难性遗忘」 难题，终于迎来破局时刻。谷歌研究团队近日在 NeurIPS2025 会议上正式发布 NestedLearning（嵌套学习）——一种受人类神经可塑性启发的全新机器学习范式，
为何 AI 总 「学了就忘」?
传统神经网络在学习新技能 （如编程） 时，会通过参数更新覆盖原有知识 (如写作)，导致旧能力急剧退化——这种 「灾难性遗忘」 严重制约 AI 在动态环境中的实用性。现有方法如冻结部分参数或施加正则化约束，仅是打补丁，无法模拟人脑中短期记忆灵活、长期记忆稳固的协同机制。
像洋葱一样分层记忆:NestedLearning 的革命性架构
谷歌的解决方案彻底重构了学习框架: 不再将模型视为单一整体，而是一组嵌套的优化子系统，形成多时间尺度的 「记忆洋葱」:
高频层: 快速响应即时任务，如对话中的临时上下文;
中频层: 整合近期经验，确保知识连贯过渡;
低频层: 锁定核心长期记忆，如基础语言规则或物理常识，几乎不受新数据干扰。
该架构通过统一优化机制，使各层自主协调更新节奏，实现 「自适应修改」——新知识被吸收，旧知识被保护，彻底避免梯度冲突导致的记忆擦除。
实测碾压: 遗忘率趋近于零
基于该范式的原型系统 HOPE（HierarchicalOptimizationwithPersistentEvolution） 在多项基准中表现惊艳:
在 Needle-In-A-Haystack 长上下文检索任务中，准确率提升超 20%;
多任务持续学习场景下 （如交替训练编程与写作），旧任务性能保持率高达 98%，而传统方法仅 70%;
模型遗忘曲线呈现渐进式衰减，而非突发性崩溃，更接近人类学习行为。
应用前景: 从 Gemini 到机器人，AI 将真正 「活」 起来
NestedLearning 的落地将重塑多个领域:
大模型（如 Gemini）: 无需反复重训，可在线持续吸收新知识，实现 「终身进化」;
医疗 AI: 在新增病例中学习，却不遗忘数十年医学知识库;
金融系统: 适应短期市场波动，同时保留对经济周期的长期判断;
具身机器人: 在复杂环境中习得新动作，而不会 「忘记」 如何安全行走。
AIbase 认为，NestedLearning 不仅是算法革新，更是对 AI 本质的重新定义——当机器具备类似人类的持续成长能力，智能将不再是静态的 「产品」，而成为动态演化的 「生命体」。这场由谷歌掀起的 「记忆革命」，或许正是通用人工智能通往现实的关键一步。
