系统怎样改变，同时保留值得继承的东西

新信息可以写进一条记录，修订一个信念，改变一次选择，也可以通过学习改变后续处理。这个方向关心变化作用于什么状态、沿哪些依赖传播，以及什么需要在变化之后继续成立。

改变有不同的对象

删除一条记录，改变的是记录集合；重新计算受它影响的状态，改变的是依赖它的结果；调整参数，改变的是某种输入到输出的映射。这些操作可能协同，也可能彼此留下未处理的影响。

AMS 的缓存撤回观察在固定的单模型条件下追踪了来源与保留状态之间的依赖。它使“移除来源位置”和“重算派生影响”成为两个明确对象。这个结论不能自动迁移到数据库、文本摘要或参数遗忘；每一种迁移都需要重新建立依赖证据。

更正同时提出两个要求

一个系统收到“新版改用 B”，需要改变新版情境下的选择，也可能需要保持旧版情境下的 A。这样的要求可以通过规则、结构或学习实现。无论哪一种，都应该分别观察应该改变的范围与应该保持的范围。

一条更正之后用给定的版本与来源条件比较规则。经验怎样长成判断习惯进一步观察结构化分类器的学习和局部纠正。前者不能证明模型理解范围，后者不能证明自然语言任务获得了收益；它们已经让“更新以后看什么”变得更具体。

保留怎样成为积极能力

保留不只是防止回退。系统可能需要同时保存多个条件下成立的判断，识别何时应该调用哪一个，并在条件改变时调整作用范围。可靠的延续因此可能依赖可区分的状态，也可能依赖能够重新获得细节的外部记录。

这个方向可以进入持续学习、模型编辑、信念修订、数据版本与时间语义。每个领域都有自己的问题：不能仅因为都谈“更新”，就把结构维护、推理规则与参数优化画成同一种算法。

当前判断与未解处

当前判断是：研究改变时，应同时指明变化对象、依赖范围和保留条件。它使多个机制可以在清楚边界下对读，也允许发现它们根本不在回答同一问题。

下一问是：一种更新规则怎样知道该把变化限制在哪里？ 既有固定标签实验把范围作为输入给定，留下了范围识别、冲突解释与反馈可靠性的问题。可以先研究这些前提如何形成，再决定需要哪种学习方法；无须为了得到新结果立刻扩大模型实验。