Partially（部分地）在 AI 领域最常见的语境是“部分可观测”（Partially Observable）与“部分可训练”这两类问题设定：前者指智能体只能看到环境状态的一小部分，是强化学习和多智能体决策研究的经典前提；后者指神经网络中仅部分参数参与训练，其余参数保持固定。围绕这两种“部分”设定，近期多项研究给出了新的方法与结论。
Partially Observable 研究近期进展
部分可训练与部分梯度可见
在模型训练侧，“部分”设定同样成为研究焦点。arXiv 新论文提出 PISO：零阶残差追踪应对部分梯度不可见优化针对部分梯度不可见的优化难题，提出零阶残差追踪方法 PISO，使系统在梯度信息缺失时仍能推进优化。另一篇 Phase Transition from Random Features to Fully Trainable Networks 则从理论上刻画了从随机特征（固定参数）到完全可训练网络之间存在相变现象，为“训练多少参数才值得”提供了定量视角。此外，EAServe 论文提出面向多模态 LLM 的 Encode 感知分离式推理服务将编码与解码阶段分离服务，可视作在系统层面对计算流程做“部分拆分”的实践。
当前焦点与观察点
综合来看，围绕 Partially 设定的研究呈现两条主线：一是部分可观测多智能体决策在去中心化、信息延迟等更贴近现实约束的条件下推进；二是部分可训练/部分梯度可见的优化理论开始出现相变分析等更严格的刻画。观察点包括：零阶与一阶优化方法能否在部分梯度可见场景中形成稳定组合，以及部分可观测设定下的协作策略能否在机器人、安防等实际任务中落地验证。这些方向共同指向一个问题——当信息或可训练性只有一部分可用时，系统性能损失的下界在哪里。