一句话定义：在线学习（Online Learning）指模型不等全量数据攒齐，而是随着数据一条条或一小批一小批到达，立刻更新参数，做到“边用边学”。
展开讲清楚：传统批量训练（Batch Learning）像期末复习：先把所有课本和习题收集好，反复学很多轮，再参加考试；考完这套教材就固定了。在线学习更像开车看导航：每经过一个路口，就根据当前路况微调路线；下一个路口又有新信息，就继续调整。技术上通常用在线梯度下降或小批量随机梯度下降，来一条样本算一次损失和梯度，按学习率更新权重。数据可以是点击、交易、传感器读数、日志。模型既能预测，也能马上从这次预测的反馈中学习。
| 维度 | 批量训练 | 在线学习 |
|---|---|---|
| 数据 | 先收集固定数据集 | 流式到达，顺序敏感 |
| 更新 | 训练阶段集中更新，上线后一般冻结 | 服务中持续更新 |
| 评估 | 固定测试集、可重复 | 滑动窗口/序贯评估，复现难 |
| 适合 | 分布稳定、可离线重训 | 实时性高、分布变化快 |
和相邻概念的区别：增量学习（Incremental Learning）也强调不重训全量，但更关注保留旧知识；持续学习（Continual Learning）面对一系列任务，核心挑战是AI 词典：灾难性遗忘">灾难性遗忘；强化学习（Reinforcement Learning）是靠奖励信号学策略。在线学习更像一种“数据到达方式+更新方式”的训练设定，不等于强化学习。
风险：1）顺序偏差：如果数据先来的是极端用户，模型会被带偏。2）噪声和异常值：一条脏数据可能立刻改参数。3）概念漂移（Concept Drift）：用户兴趣变了，旧规律失效，需要检测和重置策略。4）反馈回路：模型推荐什么，用户就点什么，训练数据被模型自身影响，偏见可能放大。5）学习率与稳定性：步子太大忘得快，太小跟不上变化。6）评估与回滚：没有固定测试集，线上效果要用滑动窗口、A/B 和影子模式看；出问题要能快速回滚。7）隐私合规：流式数据可能含个人信息，采集、使用、删除要按适用法规和平台政策来，具体以官方页面为准。
对从业者和普通人的意义：从业者要把在线学习当成一套工程系统：特征实时性、参数服务器/单机更新、监控、告警、回滚、离线回放评估都要设计好。普通人则会感受到推荐、风控、广告、输入法、垃圾邮件过滤等更“跟手”，热点一来模型很快适应；但短期波动、误判和“越推越窄”也可能更明显。关键不是迷信在线学习，而是判断业务是否真的需要实时适应。