边缘AI在线学习一启动，遗忘与闪存先受压

让设备用现场样本继续学习，看似能快速适应环境，实际会同时改写模型知识和非易失存储。边缘AI在线更新必须守住旧能力与写入寿命两条边界。

灾难性遗忘发生在新数据只覆盖局部工况时。门口摄像头连续数周只看到某种光照，或产线刚换一种材料，梯度会持续优化新分布，却把原来用于夜间、旧批次或少见故障的参数推离有效区域。训练损失下降并不能证明系统更好，因为验证集若也来自近期样本，只会重复同一偏差。在线学习因此需要一组固定锚点，用旧场景的代表样本或特征约束更新方向。

回放缓存并非越大越稳。容量有限时，应优先保存决策边界附近、稀有类别和历史失效样本，而不是均匀保留大量相似帧；涉及隐私时，保存原图还会增加合规风险，可考虑受控特征或合成回放。正则化方法能限制关键参数变化，但其重要度估计来自旧任务，场景差异过大时会把模型锁得过紧。工程上需在可塑性与保持性之间设可测指标，而非只选一种算法名称。

伪标签更新还可能把一次误判变成长期偏差。高置信不等于标签正确，尤其在输入分布已经漂移时，模型可能对未知样本过度自信。可接受的流程应设置教师模型或多源一致性检查，并把更新先放入影子槽，用跨时间验证集比较新旧模型的分组指标。若稀有安全类别下降，即使总体准确率上升也不应提交；现场回滚必须恢复模型、阈值和预处理的完整版本。

训练窗口的触发条件也决定遗忘速度。按固定时间更新，在样本稀少时会反复学习少量近邻帧；按样本数量更新，又可能在事件密集时短时间连续改写参数。更合理的门槛应包含样本多样性、类别覆盖和最小时间间隔，并对同一事件产生的连续帧去相关。每轮只允许有限参数位移，超出范围就等待离线复核，避免设备在一次异常潮中迅速偏离已验证模型。

另一条压力来自检查点写入。一次小规模训练可能频繁修改权重、优化器状态和日志，文件系统为了日志一致性又产生额外元数据写入；若每个小批次都保存完整模型，实际写入量远大于参数文件大小。NAND闪存按擦除块更新，小范围随机写常触发读改写和垃圾回收，长期运行会形成写放大，并在存储接近满载时造成不可预测的停顿。

边缘AI设备应把易失训练态与持久提交分开。中间梯度和优化器状态尽量留在内存，仅在达到样本数量、时间间隔或性能门槛后生成候选检查点；写入时使用A/B槽或追加式日志，先写完整内容和校验值，再原子切换活动指针。突然掉电只能损失本轮候选，不能破坏当前可启动模型。若内存不足以保存训练态，就应降低更新频率，而不是把闪存当作透明交换区。

寿命评估要从每日实际写入字节、擦除块放大系数和温度修正出发。磨损均衡能分散擦写，不能创造无限寿命；高温还会缩短数据保持时间。测试应模拟存储高水位、断电、坏块增长和连续回滚，观察提交时延是否越过控制空窗。把更新日志限制、旧检查点回收和最低空闲空间写进状态机，才能避免学习功能最终拖垮设备启动与取证。

因此，在线学习只有在旧能力可回归、每次写入可核算时才值得开启。用锚点限制遗忘，用原子检查点限制磨损，边缘AI才能持续适应而不透支可靠性。