谷歌推出Nested Learning新范式，攻克AI“灾难性遗忘”痛点

困扰人工智能多年的“灾难性遗忘”终于迎来突破。谷歌研究团队近日在NeurIPS2025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学习范式，首次让模型在持续学习新任务的同时，几乎不丢旧知识，遗忘率接近于零。这一进展意味着AI正从“一次性专家”走向“终身学习者”。

为什么AI总是“学新忘旧”?

传统神经网络在学习新技能（比如编程）时，参数更新会覆盖原有能力（比如写作），导致旧技能明显下滑——这就是“灾难性遗忘”，严重限制了AI在变化环境中的稳定表现。现有办法如冻结部分参数或加正则，只是权宜之计，难以模拟人脑里短期记忆灵活、长期记忆稳固且协同工作的机制。

洋葱式分层记忆：Nested Learning的颠覆性设计

谷歌的方案从底层重塑学习方式：不再把模型看作单一整体，而是由一组彼此嵌套的优化子系统组成，形成多时间尺度的“记忆洋葱”：

高频层: 迅速响应当下任务，比如对话里的临时上下文；

中频层: 汇集近期经验，保证知识平滑过渡；

低频层: 锁定关键的长期记忆，如语言规则或物理常识，几乎不受新数据干扰。

通过统一的优化机制，各层可自动协调更新节奏，实现“自适应修改”——新知识被吸收，旧知识被保护，从根源上避免因梯度冲突带来的记忆擦除。

实测领先：遗忘率几乎为零

基于该范式的原型系统HOPE（Hierarchical Optimization with Persistent Evolution）在多项基准中表现亮眼：

在Needle-In-A-Haystack长上下文检索任务中，准确率提升超过20%；

在多任务持续学习场景（如交替训练编程与写作）下，旧任务性能保留率高达98%，而传统方法仅约70%；

模型遗忘曲线呈现平滑渐降，而非突然崩溃，更贴近人类的学习规律。

应用前景：从Gemini到机器人，AI将真正“活”起来

Nested Learning的落地有望重塑多个领域：

大模型（如Gemini）: 无需反复重训，可在线持续吸收新知，实现“终身进化”；

医疗AI: 在新增病例中不断学习，同时不遗忘多年沉淀的医学知识库；

金融系统: 既能适应短期市场波动，又能保留对经济周期的长期判断；

具身机器人: 在复杂环境中学习新动作，也不会“忘记”如何安全行走。

业内观点认为，Nested Learning不仅是算法层面的升级，更是在重新定义AI的本质——当机器拥有接近人类的持续成长能力，智能将不再是静态的“产品”，而会成为动态演化的“生命体”。这场由谷歌引领的“记忆革命”，或许正是通往通用人工智能的关键一步。