التعلم المستمر (Continual Learning)
التعلم المستمر هو نموذج تعلم آلي يتعلم فيه النموذج من سلسلة مستمرة من المهام أو البيانات عبر الوقت مع الحفاظ على الأداء في المعرفة المكتسبة سابقاً، دون الحاجة إلى إعادة التدريب الكامل من الصفر.
التعلم المستمر (يُطلق عليه أيضاً التعلم مدى الحياة أو التعلم الزيادي) يعالج أحد أكبر الفجوات بين الذكاء الاصطناعي والذكاء البيولوجي: القدرة على تراكم المعرفة بشكل تدريجي دون نسيان كارثي لما تم تعلمه سابقاً. في التعلم العميق القياسي، يتم تدريب النماذج مرة واحدة على مجموعة بيانات ثابتة ثم نشرها بشكل ثابت. يستبدل التعلم المستمر هذا بعملية جارية تصل فيها مهام أو فئات جديدة أو توزيعات بيانات مختلفة بشكل متسلسل ويجب على النموذج دمجها دون إمكانية الوصول المتزامن إلى جميع بيانات التدريب السابقة.
يميز المجال عدة إعدادات مشكلة. التعلم الزيادي للمهام يفترض أن النموذج يعرف المهمة التي يؤديها في وقت الاستدلال. التعلم الزيادي للفئات يتطلب التصنيف بين جميع الفئات المرئية سابقاً دون تلميحات هوية المهمة—مشكلة أصعب بكثير. التعلم الزيادي للنطاق يقدم نفس نوع المهمة لكن مع توزيعات إدخال متغيرة، مثل الصور الملتقطة في ظروف مختلفة عبر الوقت. يفرض كل إعداد قيوداً مختلفة على كيفية التعبير عن النسيان وكيف يجب قياسه.
تندرج التقنيات الأساسية في ثلاث عائلات. تحدد الأساليب القائمة على التنظيم، مثل توحيد الوزن المرن (EWC) والذكاء المشبكي، الأوزان التي تهم المهام السابقة وتقيد تحديثاتها أثناء التدريب الجديد. تحتفظ الطرق القائمة على التدريب بذاكرة حلقية صغيرة من الأمثلة الماضية—أو تستخدم نموذج توليدي لتوليف أمثلة زائفة—وتتشابك معها مع البيانات الجديدة. تخصص الأساليب القائمة على العمارة سعة شبكة منفصلة أو متوسعة لكل مهمة، مما يحمي المعرفة القديمة من خلال العزل. قد غيرت النماذج الأساسية المدربة مسبقاً الحقل العملي بشكل كبير: الضبط الدقيق لها باستخدام طرق فعالة من حيث المعاملات مثل LoRA أو البادئة تسبب نسياناً أقل بكثير من تدريب النماذج المخصصة للمهام من الصفر، مما يجعل هذه التقنيات مرتبطة مباشرة بممارسة التعلم المستمر.
اعتباراً من 2026، أصبح التعلم المستمر مهماً بشكل متزايد لنشر نماذج اللغة التي يجب أن تتكيف مع معلومات جديدة—الأحداث الأخيرة والحقائق المحدثة والمعرفة الخاصة بالمستخدم—دون دورات إعادة تدريب كاملة. يوفر توليد معزز بالاسترجاع (RAG) استراتيجية تكميلية بإضفاء الطابع الخارجي على المعرفة الجديدة إلى قاعدة بيانات قابلة للبحث بدلاً من ترميزها في الأوزان. مجموعات المعايير بما فيها Continual World و CLEVA تقيس التقدم، لكن المجال لا يزال يفتقر إلى معيار تقييم واحد متفق عليه.