AIエージェント能力アトラス › 仕事ごとの一覧 › 基盤能力（横断） › 学習・適応

継続学習・重み更新なしの限界

Continuous learning and the no-weight-update ceiling

0 できない ／ 1 デモ止まり ／ 2 補助 ／ 3 実務品質（要確認） ／ 4 専門家並み ／ 5 専門家超え。「予」は予測。

専門家と比べて

人間の専門家は日々の経験から継続的にスキルを更新するが、現在のLLMはデプロイ後に重みが凍結され、新しい経験から自動的に学習することはない

できること

定期的な再学習（ファインチューニング/継続事前学習）によるバッチ的な知識更新は可能

まだできないこと

本番運用中にリアルタイムで経験から重みを更新し続ける『継続学習』は、破滅的忘却（catastrophic forgetting）が未解決のため実用化されていない。9Bパラメータ規模のtransformerでも、リプレイなし・タスク非依存という実運用条件下では未解決と報告されている

なぜそうなのか

勾配ベースの学習が新タスクの改善のために既存の重みを上書きしてしまう構造的な干渉問題があり、メカニズム自体が十分解明されていない

これからの予測の根拠

リプレイフリー・タスクフリーの継続学習は研究レベルでも未解決であり、2028年時点でも本番運用可能な解決策が出る保証はない（停滞領域として明記）

いま使える主な道具

継続事前学習パイプライン、Elastic Weight Consolidation等の緩和策

根拠

• Mechanistic Analysis of Catastrophic Forgetting in Large Language Models During Continual Fine-tuning 2026-01
  9B規模transformerでリプレイフリー継続学習が未解決と報告
• TFGN: Task-Free, Replay-Free Continual Pre-Training Without Catastrophic Forgetting at LLM Scale 2026-05
  実運用条件（タスクフリー・リプレイフリー）での継続学習手法を提案するも根本解決には至らず

同じ分野のほかの仕事（学習・適応）

• インコンテキスト学習（少数例からの適応）
• テスト時適応・セッション内オンライン学習

AIエージェント能力アトラス 2026（2026-09-06 時点・v1.0）の1マスです。レベルは公開された実験・ベンチマーク・報告から付けた目安で、2027年以降は予測です。全マスに根拠のリンクがあります。作者は個人で、AI（Claude）と一緒に調べて作っています。