持续学习（Continual Learning）旨在让模型在不遗忘旧知识的前提下学习新任务，是AI迈向通用智能的关键能力。近期研究从理论机制、基准测试、应用扩展等层面推进了这一领域。
- 主要进展：
- 遗忘的几何可恢复性：Stable Recovery Manifold提出持续学习中的遗忘不是永久性的，旧知识在某些条件下可从参数流形的稳定区域恢复，为设计抗遗忘算法提供了新视角（Stable Recovery Manifold）。
- 新的基准与对比：CL-BENCH测试发现AI智能体常混淆记忆与学习，暴露了现有方法在区分长期学习和短期记忆上的不足；同时，一项研究表明简单的上下文学习（ICL）的持续策略性能即可超越专用记忆系统，挑战了复杂记忆模块的必要性（CL-BENCH, Continual Learning Bench）。
- 保持网络可塑性与克服灾难性遗忘：动态等距性机制通过约束网络几何结构维持可塑性；SETA方法利用稀疏子空间专家共享来缓解大语言模型（LLM）的灾难性遗忘；TailLoR保护参数主成分实现高效持续学习；FBCC则通过前向-后向知识蒸馏实现无监督聚类中的持续学习（动态等距性, SETA, TailLoR, FBCC）。
- 应用拓展：CoMetaPNS将持续元学习应用于个性化心脏电生理模拟；BabyCL通过儿童自我中心视频学习，探索人类早期持续学习机制在AI中的应用；FluxMem主张AI智能体记忆应设计为动态连接网络而非静态存储（CoMetaPNS, BabyCL, FluxMem）。
当前焦点 / 未来观察点： 当前研究正从单纯对抗遗忘转向理解遗忘的结构性特征，并探索更简洁高效的持续学习范式。LLM与智能体场景下的持续学习成为热点，记忆与学习的界限、模型可塑性的维持、以及从人类学习中的借鉴将是后续关注重点。