伯克利提出的FST框架通过模拟大脑的快慢记忆分层，解决了大模型持续学习中的可塑性丢失与灾难性遗忘难题。这一技术革新将推动AI从“冻结的预训练模型”向具备实时适应能力的动态智能系统转型。

清华大学团队通过提出“任务关系中心”的持续学习新范式，利用H-embedding对任务间可迁移性进行先验建模，并结合超网络动态生成任务专属参数，从根本上解决了人工智能的“灾难性遗忘”难题。这项技术不仅大幅提升了模型在持续学习中的效率和鲁棒性，更预示着未来大模型将实现更智能、更具成本效益的长期适应与个性化，加速构建能够像人类一样持续进化的通用AI系统。

游戏界传奇人物约翰·卡马克指出，大型语言模型（LLM）并非游戏或通用人工智能的未来，因其“无所不知却又无所学”的预训练模式难以适应高效的交互式学习。他正通过在Atari平台上的具身智能和强化学习研究，解决AI在数据效率、灾难性遗忘和物理世界交互等方面的核心挑战，旨在推动AI向更接近人类的智能迈进。