物质怎样学会新功能：可学习性、泛化与持续适应

“能学会”要经过几道不同的检查。T117给出完整目标集合、准确解与严格误差下限，又用有解却停住和有解但很慢的对照说明：容量、当前位置的响应方向与有限协议不是同一个量。T120把这种区分扩到时间任务，T121再加入互易、供能和稳定条件。更多可调元件只有转化成目标需要、物理允许且实际更新能使用的方向，才增加相应能力；局部满秩也没有取消远处目标或参数边界。

泛化与继续适应，要在不同阶段验收。T118冻结保存的参数，只让快速状态响应新输入；同线留出仍可能漏掉未覆盖方向，物理对称性也只支持与它相容的标签关系。T124则允许参数继续改变，问下一项任务需要怎样训练。前者检验已有结构的功能，后者检验结构能否被再次调整；一个阶段的好成绩不能替另一个阶段作答。跨网络平均分数同样不能直接替代随机取一块冻结材料的成绩。

当前功能没有确定全部内部结构。T117的大电路记录有大量不改变当前任务读数的一阶参数方向；T122中，旧损失梯度接近零也不代表旧输出不敏感。T123显示，更新偏置可以沿当前任务不敏感的方向累积，换任务时才显出影响；T124的不同刚度配置则留下不同的后续可行方向。这些例子共同说明为什么只看当前误差会漏掉重要变化，具体响应矩阵、边界与漂移机制仍属于各自系统。

局部信息要通过明确协议变成有用的纠错。T119中，记忆先消背景，阈值再按快慢节奏选择变化；对称往返会抵消，未消退的前史也能造成没有当前对比差的伪更新。T120通过倒序误差构造伴随响应，还需要正确终端条件、复位及前向历史的时间配对。两者都把任务信息送回局部元件，但不采用同一种方法；数学成立、数值可行和无人代算的整网硬件需分别评价，外部时序与存储也要计入资源。

方向性功能需要在同一端口定义和工作点下判断。T121的被动对称网络可以有不相等的位移夹持增益，保守非线性在不同终点也可给出不同有限响应；匹配施力与同点微扰才能检验相应互易关系。主动反对称反馈扩展了目标集合，同时带来路径功和动力学要求。T120与T121进一步说明，静态响应正确、过阻尼稳定和实际含惯性系统稳定，分别需要自己的证据；饱和限幅也没有自动保证最终静止。

保护旧功能，先要确认新旧功能能共同存在，再匹配新任务表现。T122的相反标签有不可消除的误差取舍，另一个有共同解的小网络才把遗忘定位到顺序改写。该网络中，适度阈值减少了更新，保持收益却有限；阈值过高则挡住新学习。重访和约束补偿取得更好保持，同时使用旧目标、额外读取或特定方程。T117的可实现性因此是保护比较的起点，少更新和低旧误差都不能独自说明保护有效。

真实残差要按仍在工作的过程辨认。T123的有效学习偏置、独立随机扰动、量化和关闭学习后的漏失，留下不同的均值、散布与时间行为。冻结能关闭学习更新，不能同时保证存储不变；在一个位置校准，也不能保证新状态有效。放大钳位信号并随误差缩短写入，可在声明的条件下抑制特定偏置，仍受幅度、最短时长和读数精度限制。结合T119的阈值窗口可见，训练越接近目标，实际信号与器件尺度的配合越值得单独检查。

训练历史可以改变下一次调整的条件，收益要连同任务分布、成功率和指标陈述。T124的原删边数据支持成功状态之间少改边，也保留了较低的无条件成功率与删边不可逆性；受控弹簧对照中，切回旧任务有一定步数优势，未见端口的比较却随目标选择和起始误差改变。步数少也不保证参数改动少，更不直接等于能耗低。它与T122的旧功能保持是不同目标，后续适应允许旧功能改变；现有结果还不足以宣称普遍“学会了学习”。

当网络变大、带非线性或接近元件边界时，怎样在有限测量下估计真正可实现的目标、可用更新方向和训练时间，并区分严格限制与当前算法的失败？

怎样预先规定独立测试分布，同时约束输入覆盖、噪声歧义和单块材料的成功率，让已有结构的泛化与新任务学习都能在条件变化后接受检验？

连续调参、不断换样本且没有理想复位时，局部记忆或动态伴随还能以多大误差传递任务信息？不同连接能否共享节奏、阈值与可实现的回放带宽？

真实主动装置能否在增加非互易能力的同时，长期满足惯性稳定、有限驱动与保存要求？计入控制器、监督呈现、读出、回放和供能后，哪些局部方案仍有资源优势？

在大型带偏置、慢漂移和量化的网络中，哪些端口布局与参数余量能支持连续多任务？阈值、重访、校准和写入调度能否在相同适应质量与完整资源预算下有效保护功能？

能否在预先规定的未见任务、更多独立几何与真实器件上，训练出稳定的后续适应收益？怎样同时匹配当前功能、准备成本、可逆性，并保留失败样本与不同改动指标？