近期发表于 arXiv 的论文《Self-Adapting Language Models（SEAL）》提出一种让语言模型在部署后持续学习的新方法。研究显示，SEAL 能在推理过程中生成自我更新指令（self-edit），自动选择数据和参数以调整自身权重，从而在不重新训练的情况下实现知识更新与长期记忆。这一机制被认为有望突破传统模型“冻结权重”的限制，使 AI 能随外部世界变化持续演化。
多位 SEAL 项目的研究人员目前已加入 OpenAI，引发外界推测该公司可能在 GPT-6 中测试类似架构。不过目前并无官方确认。现有论文仅在中等规模模型上验证了 SEAL 的可行性，仍面临灾难性遗忘、更新偏移及安全管控等挑战。即使未来 GPT-6 采纳相关机制，也更可能采取分层适应与审查机制，而非完全自主学习。SEAL 的出现仍被视为推动自学习 AI 发展的重要里程碑。
常见问题
Q：SEAL 与传统语言模型的最大区别是什么？
A：SEAL 可在部署后生成自我更新指令，自行调整部分参数，实现持续学习，而传统模型权重固定，需重新训练才能更新知识。
Q：GPT-6 是否已采用 SEAL 技术？
A：截至目前暂无官方确认，仅有部分研究人员交叉任职于 OpenAI 与 SEAL 项目，相关推测仍属未经证实的信息。
Q：SEAL 的持续学习是否意味着 AI 具备“意识”？
A：否。SEAL 能优化自身性能，但不具备自我感知或主观意图，其“进化”仅是算法层面的参数更新。
Q：SEAL 面临哪些风险？
A：主要包括灾难性遗忘、偏差放大、安全性难以审查及高计算成本等问题，当前仍需人工监管与约束。
Q：SEAL 对未来 AI 发展的意义是什么？
A：它标志着 AI 从静态模型向动态学习系统的过渡，有望提升适应性与知识时效性，为下一代通用模型奠定基础。
