人工智能領域長期面臨的“知識遺忘”困境，近日因谷歌研究團隊提出的創新框架迎來重大突破。在NeurIPS2025學術會議上，科研人員正式公開了名為“嵌套學習”（Nested Learning）的全新機器學習范式，該技術通過模擬人類神經系統的動態調節機制，首次實現了AI模型在持續學習過程中對歷史知識的近乎零損耗保留，標志著智能系統從“靜態知識容器”向“動態成長體”的范式轉變。

傳統神經網絡在應對多任務學習時存在根本性缺陷：當模型通過參數調整掌握新技能（如圖像識別）時，原有能力（如自然語言處理）的參數會被強制覆蓋，導致性能斷崖式下降。現有解決方案如參數凍結或正則化約束，僅能延緩遺忘速度，無法解決不同時間尺度知識間的沖突問題。這種技術瓶頸嚴重限制了AI在動態環境中的實際應用價值。

研究團隊提出的“記憶洋蔥”架構徹底重構了學習機制。該框架將模型分解為三個協同運作的子系統：高頻層負責實時交互（如對話中的即時信息處理），中頻層整合短期經驗（如連續任務中的知識銜接），低頻層則固化核心認知（如基礎數學原理或物理規律）。通過動態優化算法，各層級可自主調節更新頻率，形成“新知吸收-舊知保護”的閉環系統，有效避免了梯度沖突引發的記憶擦除。

基于該架構開發的HOPE系統（Hierarchical Optimization with Persistent Evolution）在多項基準測試中展現出顛覆性優勢。在長文本檢索任務中，其準確率較傳統模型提升23%；在交替進行編程與寫作訓練的持續學習場景下，舊任務性能保持率達到98%，遠超常規方法的70%。實驗數據顯示，模型遺忘曲線呈現平滑衰減特征，與人類認知的遺忘規律高度吻合。

這項突破將深刻改變AI技術的應用格局。以醫療診斷系統為例，新型架構可使模型在吸收最新病例數據的同時，完整保留數十年積累的醫學知識庫；在金融風控領域，系統既能快速適應短期市場波動，又可維持對經濟周期的長期判斷能力；對于具身智能體，機器人可在復雜環境中學習新技能，而不會喪失基礎運動控制能力。

行業專家指出，嵌套學習框架不僅帶來了算法層面的革新，更重新定義了智能的本質特征。當機器學習系統具備類似人類的持續進化能力時，智能將突破“完成時”的局限，轉化為“進行時”的生命過程。這種技術路徑或許為通用人工智能（AGI）的實現開辟了新的可能性，使智能系統能夠像生物體一樣，在環境交互中實現認知能力的自然生長。