a16z 最新論述：AI 下一個里程碑不是更聰明，是「會成長」
a16z 發表萬字長文，明確指出「持續學習」是 AI 產業下一個重大投資方向。從非參數化的 RAG 到參數化的權重更新，這篇文章拆解了三層技術光譜，以及各層正在崛起的新創公司。
本文整理自《AI + a16z》2026 年 4 月播出的單集。
{{< apple-podcast "tw/podcast/why-we-need-continual-learning/id1740178076?i=1000764007235" >}}
當頂級創投開始談「學習」
矽谷頂級創投 a16z 向來以發表產業趨勢論述聞名，每一篇長文背後通常代表著他們正在積極部署資本的方向。2026 年 4 月，a16z AI 基礎設施團隊合夥人 Malika Aubakirova 發表了一篇題為〈Why We Need Continual Learning〉的深度文章，明確宣告了他們認為 AI 產業的下一個關鍵戰場：讓模型不再是訓練完就定型的靜態產品，而是能夠持續從使用中進化的動態系統。
這篇文章不是學術論文式的技術綜述，而是帶有明確投資觀點的產業分析。Aubakirova 在配套的 Podcast 中透露，她和團隊花了大量時間訪談頂尖研究者、創辦人、博士生，甚至組織了持續學習的主題晚宴。當一家管理數百億美元資產的創投基金花這麼多精力研究一個技術方向，對創業者和工程師來說，這本身就是一個值得關注的訊號。
問題定義：每一個 AI 模型都有截止日期
要理解為什麼「持續學習」現在成為熱門議題，得先理解當前 AI 系統的運作方式。所有你今天用到的大型語言模型，不管是 GPT、Claude 還是 Gemini，都經歷了相同的生命週期：先用海量資料做預訓練，然後模型被「凍結」，再部署給使用者。從凍結的那一刻起，模型的內部知識就停在了那個時間點。
Aubakirova 用諾蘭的電影《記憶拼圖》做了一個精準的比喻：模型就像片中那個無法形成新記憶的主角，只能靠外部的便條紙和刺青來維持運作。我們目前建構的整套 AI 生態系統，從 RAG（檢索增強生成）到 Agent 框架再到 System Prompt，本質上都是在幫一個失憶患者搭建外部記憶系統。這些工具當然有效，Cursor 靠著讀取整個程式碼庫就能寫出優秀的程式碼，Claude Code 靠著 Agent 架構就能完成複雜的多步驟任務。但它們繞不過一個根本限制：模型本身沒有因為被使用而變得更好。
這對產業意味著什麼？意味著每一家做 AI 應用的公司，都在花大量工程資源去「彌補」模型的靜態本質。記憶功能、個人化設定、上下文管理，這些功能本質上都是在做同一件事：讓一個不會學習的系統看起來好像會學習。如果模型本身能學習，這些複雜的工程投入就可以大幅簡化。
三層光譜：錢正在往哪裡流
Aubakirova 在文章中畫出了一張清晰的地圖，把「學習」這件事分成三個層次。這個框架對投資人和創業者來說特別有用，因為它明確指出了每一層的機會和瓶頸。
第一層是「上下文」（Context），也就是非參數化學習。這是目前最成熟、商業化程度最高的一層。代表性的公司包括 Pinecone（向量資料庫）、各種記憶框架如 Letta 和 Mem0。這一層的核心問題是：你有有限的上下文長度，如何在裡面塞進最相關的資訊？市場已經驗證了這個需求的存在，但 Aubakirova 認為這一層的天花板已經越來越明顯。上下文長度再怎麼擴展，終究無法取代真正的學習。
第二層是「模組」（Modules），一個介於上下文和權重之間的中間地帶。史丹佛大學的「Cartridges」研究是這個方向的代表作，它探索如何更新 KV Cache 等中間組件，讓模型獲得某種程度的適應性，同時不需要重新訓練整個模型。這一層目前還在早期研究階段，但對那些需要快速適應特定領域知識的企業應用來說，可能是最務實的近期解決方案。
第三層是「權重」（Weights），也就是真正的參數化學習。這是最困難、也最具顛覆性的一層。目前活躍在這個領域的研究方向分成兩大陣營。第一陣營聚焦在 RL（強化學習）、資料系統和高效微調技術，嘗試在現有 Transformer 架構上實現持續的權重更新。第二陣營則更激進，他們認為 Transformer 架構本身就是持續學習的瓶頸，需要全新的神經網路架構才能真正解決這個問題。
Aubakirova 特別強調一個觀察：在她訪談過的所有 AI 實驗室中，沒有一家只押注單一方向。每家實驗室都有多個團隊同時攻克不同層次的持續學習問題。業界的共識很明確：這不是「選 A 還是選 B」的問題，整個光譜上都需要突破。
這對開發者和使用者意味著什麼
對一般使用者來說，持續學習意味著未來的 AI 助手用三個月會比第一天更了解你，不是因為它存了更多便條紙，而是因為它的「大腦」真的因為跟你互動而改變了。對開發者來說，這意味著那些花在記憶管理、上下文工程、個人化系統上的大量工程投入，未來可能被模型層面的學習能力直接取代。
Aubakirova 引用了 Ilya Sutskever 的觀點作為總結：人類不是 AGI，但人類從經驗中學習、在工作中進步。這才是讓人類獨特的能力。如果 AI 要達到真正有意義的下一個階段，不是讓它在基準測試上多拿幾分，而是讓它具備「愈用愈好」的能力。這個方向的技術突破，可能重新定義整個 AI 產業的商業模式：從賣靜態模型 API，變成賣會自我成長的智慧系統。
a16z 已經明確表態了他們的投資論點。對於正在思考下一個創業方向的人來說，這張三層地圖值得仔細研究。