突破模型部署后的停滞期：持续学习技术正碎片化落地

bigdata · x · 2026-08-14

Ben Lorica 撰文探讨了 AI 模型在部署后停止学习的痛点。当前，模型在训练阶段能通过强化学习不断改进，但一旦上线，学习过程基本停滞：面对新策略、边缘案例或用户反馈，系统往往只通过打补丁修复单次问题，无法形成持久的行为改进，导致系统在运行 500 天后可能并不比第一天聪明。

文章指出，持续学习旨在填补这一空白。其核心机制是让部署后的系统能够捕获自身经验，将其转化为持久的改进（无论是通过记忆、智能体修改自身指令，还是实际更新模型权重），并确保改进不会破坏现有功能。作者观察到，目前已有超过 20 家初创公司将这一“经验闭环”作为核心业务。