Preserving（保持/保留）是当前 AI 研究中的一个高频主题词，指在模型修改、压缩或辅助决策过程中尽量维持原有能力的思路。它不是一个单一技术，而是横跨持续学习、模型遗忘、降维分析和医疗 AI 等方向的一类核心矛盾：系统在获得新能力或做出取舍时，如何不丢失已有价值。这一主题近期的热度，反映出演示性指标提升之后，学界更关注实际能力与人类判断的“隐性损失”。
Preserving 近期进展
当前焦点与观察点
这些工作虽然方向不同，但指向同一个结构性问题：AI 系统的性能指标往往只衡量“新增了什么”，而缺少对“丢失了什么”的可靠度量。无论是遗忘模型中的效用损失、降维中的关键信息丢失，还是临床场景中医生判断能力的退化，都难以用单一数字刻画。
落地侧也在推动这一议题。Mayo Clinic Platform 于 2026 年 11 月 3 日发布了覆盖 35 个以上专科的 EHR 集成临床决策支持引擎，这类大规模部署让“preserving 临床判断”从学术讨论变成工程与监管必须回答的问题。可预见的观察点是：未来的模型评估体系是否会加入专门的“能力保持”基准，以及医疗等高风险领域是否会强制要求人机决策的保留机制。