本次查询：Continual Learning
中文解释：持续学习 / 连续学习
常见场景：自动驾驶系统需要不断适应新路况和交通规则；智能助手需要学习用户的新习惯而不忘记旧指令；工业质检模型需要识别新增的缺陷类型；推荐系统需要根据用户兴趣的迁移进行动态调整。
一句话解释
Continual Learning（持续学习）是一种让AI模型能够像人类一样，在不遗忘已掌握知识的前提下，持续不断地学习新信息和新技能的学习范式。
为什么会被关注
现实世界的数据和任务总是动态涌现的，而传统AI模型通常在固定数据集上训练后便“固化”，难以适应新变化。若每次遇到新数据都从头训练，成本极高且不现实。持续学习旨在让AI系统能经济、高效地适应环境变化，是实现长期自主运行和迈向通用人工智能的关键一步，因此在自动驾驶、个性化服务等动态场景中备受关注。
核心逻辑
其核心是平衡“稳定性”与“可塑性”。模型既要灵活学习新知识（可塑性），又要牢牢记住旧知识（稳定性）。主要技术路径有三类：一是基于架构的方法，为不同任务分配或扩展独立的网络模块；二是基于正则化的方法，通过约束重要参数的改变来保护旧知识；三是基于回放/复现的方法，在学习新任务时，混合少量旧任务的数据或生成类似样本进行复习，以减轻遗忘。
常见场景
在自动驾驶领域，车辆需要持续学习新地区的道路特征和罕见交通场景，而不能忘记基本的驾驶规则。在智能物联网设备中，家用机器人需要学习家庭成员的新指令和新物品的摆放位置，同时保持对原有家庭环境的认知。在金融风控领域，模型需要不断识别新型欺诈模式，同时保持对历史欺诈手段的高检测率。
容易混淆的点
持续学习常与“在线学习”和“迁移学习”混淆。在线学习强调模型对数据流的实时顺序处理，但不一定关注防止遗忘旧数据。迁移学习侧重将已学知识应用于新领域，通常不强调在新领域学习后保留对原领域的能力。而持续学习的核心挑战和目标是明确要求模型在序列化学习多个任务时，保持对以往所有任务的性能，即解决“灾难性遗忘”问题。