Nested Learning 之所以受到关注，是因为它在机制上更接近人脑的运作方式。大脑在处理信息时，会产生不同频率的脑波：
- 高频波（如Gamma波）： 往往对应着高度集中的注意力，处理当下的、瞬时的短期记忆。
- 中低频波（如Alpha波、Delta波）： 往往与记忆的整合、固化有关，负责将短期的体验沉淀为长期的认知。
Nested Learning 借鉴了这种“多时间尺度”（Multi-timescale）的机制。它将模型内部划分为不同的频率区域：
- 高频区（Fast Weights）： 类似于人脑处理短期记忆的区域，能够随着当前的 Context Flow（上下文流）实时快速更新。这让模型在推理过程中就能“学会”新的东西。
- 低频区（Slow Weights）： 类似于长期记忆区，更新频率极低，负责存储那些通用的、稳定的规律。
通过这种高低频的嵌套与配合，模型不再是一个机械的输入输出函数，而具备了某种程度的“生物活性”，能够在与环境交互的过程中，动态地决定哪些信息该遗忘，哪些信息该像突触生长一样被固化下来。
3. 对应用层产品的潜在影响
如果这种从“静态”到“动态”的转变能够落地，我们构建 AI 产品的方式或许会发生几个本质的变化。
第一，模型角色从“工具”转向“养成系员工”。目前的模型更像是一个标准化的工具，出厂设置决定了它的上限。而基于 Nested Learning 的模型，更像是一个新入职的员工。起初大家的基础能力（基座）差异不大，但在处理具体业务的过程中，它会持续接收反馈（正向的采纳、负向的修正）。
这种反馈不再仅仅停留在 Prompt 层面，而是会通过“快权重”实时沉淀到模型里。一段时间后，它将变成一个完全适应你业务逻辑的、独一无二的模型。壁垒将由数据规模转向“业务交互的质量”。
第二，Context Engineering 的“内化”。过去大半年，为了解决模型记性差、不懂业务的问题，我们花费大量精力做 Context Engineering（上下文工程），搭建 RAG、编写复杂的 System Prompt。这本质上是在模型外部搭建“脚手架”。
当模型具备了自我迭代能力，这些外部的脚手架将被逐步拆除，能力会被内化到模型参数中。模型不再需要你每次都重复告知“你是谁”、“你的目标是什么”，这些信息已经变成了它的直觉。
第三，从“离线训练”到“在线进化”。目前的 RL、SFT（监督微调）大多是离线的、静态的。业务变了，必须重新收集数据、重新训练、重新部署。Nested Learning 提供了一种在线持续学习的可能。模型置身于真实的数据流中，边服务边学习，这种效率上的提升，在长周期看是巨大的。
当然，Nested Learning 仍然处于理论阶段，并且其在实践中的挑战依然非常多。比如，如何保证动态权重更新不导致模型不稳定或出现过拟合问题，如何在大规模应用中高效执行这种实时更新，如何在没有大量标注数据的情况下进行有效的在线学习等。
但它提醒了我们：为了业务，一方面需要修补当下的技术缺陷（如有限上下文长度），另一方面也应关注模型演进的长期方向，看哪些是长期有价值的产品建设。
未来，我们作为产品，核心工作可能不再是写 Prompt，而是为这个能够自我进化的智能体定义清晰的目标（Goal），并构建一个能够提供高质量反馈的闭环环境。毕竟，当模型能够自我学习时，决定它长成什么样子的，是它所处环境的反馈机制。
有人把论文喂给nano banana，生成了这张图，非常精准，我自己试过来，没这么好看
- 高频波（如Gamma波）： 往往对应着高度集中的注意力，处理当下的、瞬时的短期记忆。
- 中低频波（如Alpha波、Delta波）： 往往与记忆的整合、固化有关，负责将短期的体验沉淀为长期的认知。
Nested Learning 借鉴了这种“多时间尺度”（Multi-timescale）的机制。它将模型内部划分为不同的频率区域：
- 高频区（Fast Weights）： 类似于人脑处理短期记忆的区域，能够随着当前的 Context Flow（上下文流）实时快速更新。这让模型在推理过程中就能“学会”新的东西。
- 低频区（Slow Weights）： 类似于长期记忆区，更新频率极低，负责存储那些通用的、稳定的规律。
通过这种高低频的嵌套与配合，模型不再是一个机械的输入输出函数，而具备了某种程度的“生物活性”，能够在与环境交互的过程中，动态地决定哪些信息该遗忘，哪些信息该像突触生长一样被固化下来。
3. 对应用层产品的潜在影响
如果这种从“静态”到“动态”的转变能够落地，我们构建 AI 产品的方式或许会发生几个本质的变化。
第一，模型角色从“工具”转向“养成系员工”。目前的模型更像是一个标准化的工具，出厂设置决定了它的上限。而基于 Nested Learning 的模型，更像是一个新入职的员工。起初大家的基础能力（基座）差异不大，但在处理具体业务的过程中，它会持续接收反馈（正向的采纳、负向的修正）。
这种反馈不再仅仅停留在 Prompt 层面，而是会通过“快权重”实时沉淀到模型里。一段时间后，它将变成一个完全适应你业务逻辑的、独一无二的模型。壁垒将由数据规模转向“业务交互的质量”。
第二，Context Engineering 的“内化”。过去大半年，为了解决模型记性差、不懂业务的问题，我们花费大量精力做 Context Engineering（上下文工程），搭建 RAG、编写复杂的 System Prompt。这本质上是在模型外部搭建“脚手架”。
当模型具备了自我迭代能力，这些外部的脚手架将被逐步拆除，能力会被内化到模型参数中。模型不再需要你每次都重复告知“你是谁”、“你的目标是什么”，这些信息已经变成了它的直觉。
第三，从“离线训练”到“在线进化”。目前的 RL、SFT（监督微调）大多是离线的、静态的。业务变了，必须重新收集数据、重新训练、重新部署。Nested Learning 提供了一种在线持续学习的可能。模型置身于真实的数据流中，边服务边学习，这种效率上的提升，在长周期看是巨大的。
当然，Nested Learning 仍然处于理论阶段，并且其在实践中的挑战依然非常多。比如，如何保证动态权重更新不导致模型不稳定或出现过拟合问题，如何在大规模应用中高效执行这种实时更新，如何在没有大量标注数据的情况下进行有效的在线学习等。
但它提醒了我们：为了业务，一方面需要修补当下的技术缺陷（如有限上下文长度），另一方面也应关注模型演进的长期方向，看哪些是长期有价值的产品建设。
未来，我们作为产品，核心工作可能不再是写 Prompt，而是为这个能够自我进化的智能体定义清晰的目标（Goal），并构建一个能够提供高质量反馈的闭环环境。毕竟，当模型能够自我学习时，决定它长成什么样子的，是它所处环境的反馈机制。
有人把论文喂给nano banana，生成了这张图，非常精准，我自己试过来，没这么好看
