---
title: "終身學習（Lifelong Learning）"
slug: lifelong-learning
language: zh-TW
source: https://aiterms.tw/terms/lifelong-learning
updated_at: 2026-06-23
tags: [機器學習, 深度學習, AI基礎]
ipas_term: false
---

# 終身學習（Lifelong Learning）

機器學習系統在整個生命週期內不斷學習新知識、新任務，同時保留和擴展既有知識。

## 完整說明

終身學習（Lifelong Learning，也稱 Continual Learning、Never-Ending Learning）是指機器學習系統具備人類終身學習的能力。系統不是在固定時點完成訓練，而是持續接收新資訊、新任務，動態演化和改進。終身學習系統應該能從過去任務中遷移知識、避免遺忘、適應分佈變化，並持續擴展能力邊界。這是構建真正自主和適應性 AI 系統的基礎。

## 常見問題

### 終身學習系統如何判斷何時應該學習新任務而不是繼續改進舊任務？

這是終身學習中的關鍵決策問題。系統可用多種信號判斷：時間邊界（如每天新資料為新任務邊界）、分佈變化（用統計檢驗偵測數據分佈偏移）、人工標籤（用戶或管理者明確標記任務邊界）、異常評分（模型輸出信心度低時判定新任務）。實務上，不同應用選擇不同策略。推薦系統可用時間作為任務邊界，醫療系統可用疾病分類，自駕車可依據地理位置。無論哪種方法，通常需要多個訊號組合以提高準確性。

### 終身學習系統如何在保留舊知識和快速學習新知識之間找到平衡？

這涉及優化目標的設計。經典方法是用加權多任務損失：L_total = w_old * L_old_tasks + w_new * L_new_task，其中權重控制平衡。另一種方法是用彈性權重整合（EWC），對舊任務重要的參數施加更大懲罰，使優化新任務時傾向於改變對舊任務不重要的參數。還有元學習方法，學習最優的學習率和正則化強度來自動平衡。實務中，這個平衡往往是動態的：新任務初期應偏向學習新知識，隨著新任務穩定，應逐漸增加舊知識保留的權重。

### 一個有 N 個歷史任務的終身學習系統，在學習第 N+1 個任務時，是否需要存儲所有歷史任務的資料？

不需要存儲完整資料，但需要存儲代表性資訊。完整存儲不切實際，尤其是 N 很大時。常見做法是選擇性記憶：用聚類或核心集方法選出每個任務最代表性的樣本（通常是總量的 1-5%），訓練新任務時混入這些代表樣本。另一種做法是用生成模型學習每個舊任務的資料分佈，訓練新任務時生成樣本而非存儲原始資料。還有元知識保存法，只保存參數的梯度資訊或其他統計量，而不保存原始資料。這些方法都能大幅減少記憶開銷，同時保持對舊知識的保護。

---

來源：https://aiterms.tw/terms/lifelong-learning
快查頁：https://aiterms.tw/terms/lifelong-learning
最後更新：2026/06/23
深度解說：https://aiterms.tw/learning/what-is-lifelong-learning