---
title: "持續學習（Continual Learning）"
slug: continual-learning
language: zh-TW
source: https://aiterms.tw/terms/continual-learning
updated_at: 2026-04-29
tags: [機器學習, 深度學習, 模型訓練, 遷移學習, 神經網路, AI基礎, 模型評估, 最佳化]
ipas_term: false
---

# 持續學習（Continual Learning）

> **你有沒有想過，模型可不可以一邊學新東西，一邊保留舊知識？**
>
> 你可以把持續學習想成「不斷上新課，但不忘舊課」：模型接到新任務時，還能記得之前學過的內容。
>
> 它很重要，因為真實世界的資料一直變，新任務一來就把舊知識洗掉，模型就會越學越短命，尤其在產品一直擴充新功能時特別明顯。

### 容易混淆

> **持續學習 vs 傳統重訓 vs 線上學習**
>
> 持續學習：學新任務時盡量保留舊知識
>
> 傳統重訓：常用新資料蓋掉舊能力
>
> 線上學習：資料到哪就學到哪，偏重即時更新
>
> 最關鍵的區別：持續學習最在意的是「不要忘記舊東西」。

### 記住這句就好

> 學新東西時，別把舊知識洗掉。

### 實際案例

> **語音助理更新**
>
> 前：模型學會新口音後，反而聽不懂舊口音
>
> 後：用持續學習保住原有辨識能力，再慢慢吸收新資料
>
> **客服分類器擴充**
>
> 前：新增一種產品線後，原本的分類準確率掉很多
>
> 後：用記憶回放或正則化方法保留舊類別能力

### 算法與應用

> 持續學習常用記憶回放、正則化、參數隔離與知識蒸餾等策略
>
> 它和災難性遺忘是對立面，研究重點就是想辦法在學新任務時保住舊能力
>
> 在產品裡，它很適合任務會逐步增加、類別會一直擴張的場景

### 情境判斷

> **Q1（直覺題）：** 模型學新分類後，舊分類能力還在，這比較像持續學習嗎？
>
> → 是，這正是它想達成的事。
>
> **Q2（判斷題）：** 只要每次都把全部歷史資料重訓一次，就等於持續學習嗎？
>
> → 不等於。那比較像重新訓練，不是針對保留舊知識設計的方法。

### 常見問題

> **Q：持續學習和遷移學習一樣嗎？**
>
> 不一樣，遷移學習偏向把舊知識搬到新任務，持續學習更在意新舊任務一起維持。
>
> **Q：為什麼模型會忘記舊知識？**
>
> 因為新資料更新時，梯度可能把舊參數推離原本有用的位置。
>
> **Q：這適合哪些產品？**
>
> 任何會不停加入新類別、新場景或新語言的系統都很適合。

### 相關術語

> - **遷移學習**：了解它，才能看出持續學習和知識移轉的差別
> - **元學習**：常被拿來一起談，因為都在處理快速適應
> - **線上學習**：真實產品常會和持續學習一起出現
> - **少樣本學習**：新任務資料少時，這類方法很常補位
> - **概念漂移**：世界變動時，持續學習常要一起應對

---

來源：https://aiterms.tw/terms/continual-learning
快查頁：https://aiterms.tw/terms/continual-learning
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-continual-learning