Thinking Machine的新研究提出了一种名为在线策略蒸馏的方法，结合强化学习与微调，显著提高小模型的训练效率，减少训练步骤50-100倍，适合资源有限的个人和小公司。同时，该方法有效解决了AI的“灾难性遗忘”问题，支持模型的终身学习。

本研究提出了一种新型终身学习范式LiBOG，旨在解决现有Meta黑箱优化方法在动态问题分布下无法持续学习的挑战。LiBOG通过不断学习新问题，提高黑箱优化器的生成能力，避免灾难性遗忘，确保在学习新任务时的灵活性。

英国通过人工智能创新可实现4000亿英镑的经济增长，但一半依赖员工的技术采纳。目前66%的员工未使用生成性AI。为加速AI采纳，我们推出了“AI Works”项目，探索有效的技能提升方法。研究表明，少量培训可显著提高AI使用率，AI每年可节省约122小时的工作时间。建议政府与企业共同推动AI培训，建立终身学习文化。

在AI时代，自学技术需明确目的，解决具体问题。主动性是自学的核心，避免投机心理。学习应关注思维模型而非单一编程语言，利用AI提升学习效率。最终目标是掌握解决问题的能力，成为终身学习者。

本研究提出LIFESTATE-BENCH基准，以评估大型语言模型在多轮交互中的角色行为和终身学习能力。结果表明，非参数方法优于参数方法，但模型仍面临灾难性遗忘问题，强调了终身学习的重要性。

本文探讨了深度神经网络中未考虑的人脑神经可塑性，提出了“滴入”神经发生的概念，并重新审视了“滴出”与神经凋亡的关系。研究强调生物神经机制的重要性，为未来大型神经网络的“终身学习”方法提供了新方向。

本文探讨了人工智能（AI）代理和自主系统的关键概念，强调数据科学家应掌握的五个重要领域：代理架构、多个代理系统的通信、强化学习、环境建模与仿真，以及适应性与终身学习。这些知识有助于数据科学家在AI领域中提升效率和解决复杂问题。

技术进步加速，未来变化将更加剧烈。适应性、终身学习和抓住机会变得至关重要。个体影响力增强，需建立强大的社交网络。组织形态需创新，以应对快速变化的环境。

人们对“聪明”的定义随着年龄的变化而不同：年轻时强调快速记忆和学习，中年时注重系统思考和资源整合，老年时则重视经验和洞察力的积累。各年龄段需适应认知转型，灵活运用智慧，实现终身学习与进化。

本研究提出了一种新的无示例终身行人重识别方法DASK，旨在解决灾难性遗忘问题。DASK通过建模和复习旧领域的分布，显著提升了防遗忘和泛化能力，提升幅度为3.6%-6.8%和4.5%-6.5%。