讨论首先指出，持续学习并非特殊能力，而是生物智能的常态。现有大语言模型虽然证明了扩大算力和数据规模的威力，却也受限于互联网的边界；合成数据无法完整替代真实世界经验，因为模拟始终受到人类知识和判断的约束。真正的智能体应在部署后继续从行动与反馈中学习，而不是只依赖固定权重和不断增加的上下文。监督训练、学校教育只是学习的特殊形式，自主探索、试错和经验积累才是更普遍的机制。未来系统还需要形成抽象、建立世界模型、进行规划，并在吸收新知识时避免灾难性遗忘。为此，研究者探索持续反向传播、步长优化和不同参数的独立学习节奏。尽管新范式初期可能牺牲性能，但他们相信，能持续学习且保持知识一致性的智能体，或许将在未来数年逐渐成为现实。