Современные искусственные интеллекты сталкиваются с проблемой «катастрофического забывания», что затрудняет их постоянное обучение на новых данных. Это особенно актуально для бизнес-задач, где условия меняются ежедневно. В ответ на эти вызовы, Google предложила метод, известный как Nested Learning, в рамках которого обучение рассматривается как система вложенных задач с различной частотой обновления. В этом подходе каждая задача имеет свой контекст и ритм изменений, что позволяет лучше усваивать новую информацию, не теряя прежние навыки. Google DeepMind представила Gemma 4 Google представила TurboQuant Anthropic представила Claude Mythos Preview

Вместо единственной модели и оптимизатора, применяется иерархия задач с различными графиками обновления. На верхнем уровне находятся стабильные знания, а на нижних — быстро переобучаемые компоненты. Прототип новой архитектуры Hope продемонстрировал высокую точность и устойчивость при работе с длинным контекстом, превосходя существующие модели. Google подчеркивает, что Hope — это лишь прототип, и для проверки его эффективности необходимы независимые тесты. Если метод окажется успешным, это позволит создавать более надежные ИИ-агенты, способные адаптироваться в реальном времени.