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Nested Learning（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，首次让AI模型在持续学习新任务的同时，几乎完全保留旧知识，遗忘率逼近零。这一突破标志着AI正从“一次性专家”迈向“终身学习者”的关键转折。
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:Nested Learning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（Hierarchical Optimization with Persistent Evolution）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
Nested Learning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，Nested Learning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。