与此类系统相关的术语或表达方式有多种，例如在线学习、增量学习、持续学习、持续学习和终身学习。它们有时可以互换使用，但其中一些含义略有不同。例如，在线学习不需要是增量的，它指的是试图不忘记以前学习的信息的算法。

线上的对立面是线下。然而，表达批学习有时被用作在线学习的反义词。

在人工智能这样蓬勃发展的领域中，许多术语尚未完全确立，在某些领域，社区就特定技术的特定术语达成一致还需要更多时间。

因此，目前可能无法对您的问题给出明确的答案。但重要的是要注意，您提供的参考资料并不都在谈论操作过程中的相同类型的学习。这为深入研究该主题提供了线索。

在操作过程中学习最简单的方法是简单的强化学习。Deepmind 的 DQN 就是这样工作的。它尝试不同的动作，并通过奖励功能接收反馈来了解什么是有效的。不一定有单独的学习和工作阶段。随着时间的推移，人工智能会变得更好。这意味着，NN 会不断适应手头的挑战，如果挑战发生变化，它会随着时间的推移接受新的挑战，并“忘记”以前有效的方法，如果这种旧策略不再有效。

您对 Deepmind 的首次提及涉及遗忘方面。当谈到持续学习时，它也可能意味着系统不会忘记以前的技能，但可以在学习完全不同的东西后利用它们。这需要更先进的人工智能架构。这种方法并不意味着神经网络必须在操作过程中不断学习。它可以在训练期间使用这种技术，一旦成功就停止学习。

还有第三个领域，递归网络，它不会以直接的方式将信息从一个神经元传递到另一个神经元，但可以包含控制信息流的循环或其他类型的门。这种架构通常比普通的神经网络更复杂，但更类似于动物大脑的工作。在该领域中，经常使用术语动态。

因此，当您想说 NN 在生产过程中不断学习时，我会说您正在寻找的术语是持续学习- 我还阅读了此类 NN 的在线学习。术语动态对于递归或其他更复杂类型的 NN 更常见，并且在我看来更适合那里。

为了结束我的回答，我需要跳回到开头。AI领域的很多名词都没有最终确定。因此，我的分析只是对我在不同出版物和讲座中看到的趋势的总结，在未来几年一定不能成立。希望它仍然有帮助。

ML 作为一个相对年轻且发展迅速的领域，对于许多概念有许多（接近）同义词。

一个范式差异是一个模型是从一组静态的、预定义的数据中学习的，还是随着时间的推移向它提供新数据时它是否会适应。

用于分别描述这两种范式的一些术语（作者/术语之间的含义存在细微差别）是：

• 离线/批量/隔离学习
• 在线/持续/持续/增量/终身学习

此外，一些熟悉的 ML 分支（如迁移学习和多任务学习）与持续学习有很多交集。