终身机器人学习
终身机器人学习的目标是：机器人不是训练一次就被冻结，而是在整个工作周期中持续获得新任务。核心困难在于学习新任务不能抹掉旧任务。Teach-and-Grow Learning 通过把新能力放进显式存储、而不是共享参数，来应对这一点。
遗忘问题
当策略通过更新参数来吸收新行为时，这次更新会触及同时也支撑着此前所学内容的权重。结果可能是早期任务性能下降——经典稳定性-可塑性权衡——而常见的缓解手段是回放或正则化，两者都有代价。
在机器人上，实际症状比指标下降更糟：一个原本可靠的机器人，在被教了另一个任务之后，在前一个任务上变得不可靠，而这种失效可能只在现场才暴露出来。
一种替代机制
如果新知识被存为显式对象而不是写进权重，那么新增它就不会覆盖任何东西。TGL 的 Skill Library 保存带适用范围的经验证行为，Experience Memory 保存条件与修复。获取一个新任务就是往这些存储里添加内容。
这并不意味着遗忘不可能发生。检索仍然可能选错技能块，落地也可能在新场景中失败。被移除的是「学一件事直接损坏另一件事」这个机制。
要做到这一点需要满足什么
两个条件很重要。条目需要有明确的适用范围，这样过度泛化的技能才能被收窄，而不是被悄悄误用。兼容性必须保持可检查：如果每个新技能都要与所有既有技能逐一验证，增长会变成平方级，优势就消失了。论文对这些情形做了明确分析。
缩放假设
报告提出一个假设，把有效的可复用经验与未来任务误差、示教需求的下降联系起来，二者都趋向不可约的下限。它是作为需要在顺序获取实验中检验的假设提出的，而不是拟合出的定律。