灾难性遗忘是什么？AI 学了新的，为什么把旧的给忘了
人不会，模型却会
你学会了骑车，再学游泳，骑车本事不会凭空消失。可神经网络不是这样：你先训它认猫狗，再拿新数据教它认鸟鱼，它常常把猫狗那套全忘了，回头测猫狗一塌糊涂。这种「学了新的、旧的就没了」的现象，就叫灾难性遗忘。它听着像段子，却是持续学习路上最实在的拦路虎。
为什么会发生：权重被整体覆盖
模型靠一堆权重记本事，而所有任务共享同一套参数。学新任务时，为了把新数据拟合好，优化器会大改权重——这一改，之前任务赖以存在的那些参数配置也被挪动了，旧记忆就跟着失真。好比一本共用笔记本，你在新页写东西，顺手把前面写的擦了重写，前面的内容自然没了。参数共享是能力来源，也是遗忘根源。
一个比喻：覆盖式笔记与工人转岗
把模型想成只有一个本子的员工。老板先让他记熟「客服话术」，转岗做「销售」时，他直接在本子上改写，旧话术被新内容覆盖，再让他接客服电话就抓瞎。理想状态是另起一本或留好备份，可模型默认是「原地覆盖」。灾难性遗忘，本质就是这本子没留底稿，新活把旧活冲掉了。
业界怎么给它「补记忆」
招数不少。一是「回放」：训新任务时，掺一小撮旧任务的老样本一起练，提醒模型别忘本，像时不时翻翻旧笔记；二是「冻结/正则」：把对旧任务关键的权重锁住或加保护，新学习绕开它们；三是「分模块」：给不同任务分配不同参数区，各管一摊。思路殊途同归——要么留备份，要么划地盘，别让新学的把旧的挤没了。
为什么这事越来越重要
现实里数据源源不断、任务接二连三，谁也不想每来新需求就从头训个新模型。能「边用边学、学了不忘」的持续学习，是让 AI 真正长期可用的关键。从手机上越用越懂你，到机器人不断积累技能，攻克灾难性遗忘都是绕不开的一关。它也是当下研究的热区，远没到「彻底解决」。
小结
灾难性遗忘戳破了「一个模型学到底」的朴素幻想：因为所有任务共享同一套权重，学新任务时优化器大改参数，常把旧任务赖以存在的配置一并抹掉，于是旧的就忘了。它像员工用唯一的本子记活，转岗时原地覆盖、旧话术全无。业界的应对很实在——回放旧样本留底稿、冻结关键权重划地盘、分模块各管一摊，核心都是「别让新学挤掉旧的」。这件事之所以关键，是因为现实任务源源不断，谁都想要个边用边学还不忘的模型。理解灾难性遗忘，你就知道 AI 的「记忆」远比人脆弱：它不会自动存档，得靠工程师亲手替它留好底稿。下次模型「学了新忘了旧」，别骂它笨——那是它在提醒你，该给它备本备忘了。
