谷歌发布嵌套学习技术突破：AI首次实现人类级持续学习能力

谷歌研究院近日在NeurIPS 2025学术会议上发布了一项突破性研究成果——”嵌套学习”（Nested Learning）机器学习范式，该技术通过重构模型的学习机制，有效缓解了人工智能领域长期存在的”灾难性遗忘”问题。这一创新标志着AI系统向具备人类般持续学习能力迈出了关键一步。

传统神经网络在多任务学习中面临根本性挑战：当模型通过参数调整掌握新技能时，原有能力的参数会被强制覆盖，导致性能断崖式下降。现有解决方案如参数冻结或正则化约束仅能延缓遗忘速度，无法从根本上解决不同时间尺度知识间的冲突问题。

研究团队提出的”嵌套学习”范式彻底重构了学习机制。该框架将模型分解为三个协同运作的子系统：高频层负责实时交互处理，中频层整合短期经验，低频层则固化核心认知。通过动态优化算法，各层级可自主调节更新频率，形成”新知吸收-旧知保护”的闭环系统。

基于该架构开发的HOPE系统（Hierarchical Optimization with Persistent Evolution）在多项基准测试中展现出显著优势。在长文本检索任务中，其准确率较传统模型提升23%；在交替进行编程与写作训练的持续学习场景下，旧任务性能保持率达到98%，远超常规方法的70%。实验数据显示，模型遗忘曲线呈现平滑衰减特征，与人类认知的遗忘规律高度吻合。

这项技术的核心创新在于将模型视为一系列相互嵌套或并行的优化问题，每个问题都有独立的”上下文流”和更新速率。研究团队开发了两项关键技术：”深度优化器”通过将优化器本身转化为可学习模块，使其对不完整数据更具适应性；”连续体内存系统”（CMS）则将模型内存设计为由多个更新频率不同的模块组成的光谱结构，实现从短期到长期记忆的平滑过渡。

行业专家指出，嵌套学习不仅带来了算法层面的革新，更重新定义了智能的本质特征。该技术有望在医疗诊断、金融风控和具身智能等领域产生深远影响，使AI系统能够同时保持对最新数据和历史知识库的处理能力。随着这项技术的进一步发展，人工智能或将真正突破”静态知识容器”的局限，迈向具备持续进化能力的”动态成长体”新阶段。