据 VentureBeat 报道，寻求利用人工智能的企业应关注那些优先考虑人工智能系统实际应用的研究趋势，而不是仅仅关注模型在行业基准上的性能。随着人工智能领域的成熟，并行研究正在涌现，这些研究致力于促进人工智能应用的生产和扩展。

一个关键的关注领域是持续学习，它解决了在不损害现有知识（一种被称为“灾难性遗忘”的现象）的情况下，教导人工智能模型新信息的挑战。传统上，使用新旧数据的混合来重新训练模型一直是解决方案，但这通常是昂贵的、耗时的和复杂的。

VentureBeat 的 Ben Dickson 于 2026 年 1 月 1 日撰文指出，重点正在从单个模型的原始智能转向围绕它们构建的系统的工程设计。Dickson 强调了四种趋势，这些趋势可能代表下一代强大、可扩展的企业应用的蓝图。

持续学习的意义远不止于提高效率。通过使人工智能系统能够随着时间的推移进行适应和进化，持续学习可以在动态环境中带来更强大和可靠的人工智能解决方案。这在机器人和自主系统等领域尤其重要，在这些领域中，人工智能代理必须不断学习和适应新的情况。

可以持续学习的人工智能系统的开发仍处于早期阶段，但研究人员正在探索各种技术，包括记忆重放、正则化和架构修改。这些技术旨在保留现有知识，同时允许模型有效地学习新信息。

随着人工智能继续渗透到社会的各个方面，创建能够学习和适应而不忘记的人工智能系统的能力将变得越来越重要。对实际应用和持续学习的关注代表着朝着在企业环境及其他领域充分发挥人工智能潜力迈出的关键一步。