传统DNN一方面会受到“灾难性遗忘”问题的困扰，难以在学习新知识的同时保留旧知识，即缺少连续学习（continual learning）的能力；另一方面，DNN往往只能实现预先训练好的固定操作，不能对实际环境中存在情境信息（如自身状态，环境变化、任务变化等）做出灵活的响应，难以满足复杂多变的需求，即缺少情境依赖学习（contextual-dependent learning）的能力。这两方面能力的缺失是制约当前DNN发展出类人通用智能等高水平智能的重要瓶颈。
在 《神经网络中依赖于上下文处理的连续学习》（Continual Learning of Context-dependent Processing in Neural Networks）一文中，硕士生曾冠雄、博士后陈阳等提出了正交权重修改（orthogonal weights modification，OWM）算法和情境依赖处理（context-dependent processing，CDP）模块，二者相结合使人工神经网络具备了连续学习和情境依赖学习能力，有效地解决了“灾难性遗忘”等难题。
据介绍，OWM算法可以有效克服神经网络中的“灾难性遗忘”，实现连续学习；受大脑前额叶皮层启发的CDP模块可以有效整合情境信息，调制神经网络的信息处理过程。二者的有效结合，可使人工神经网络具备强大的连续学习和情境依赖学习的能力，并大大增加其灵活性和适应性。
图灵奖得主Allen Newell和诺贝尔奖得主Herbert A. Simon曾经联合撰文，将智能定义为“适应环境变化，实现自身目的”的能力；DeepMind的联合创始人之一Shane Legg也曾在总结出数十种智能的定义后，提出智能的通用衡量指标应该是“在不同的环境中实现特定目的的能力”。从中可见，个体对复杂、动态环境的高适应性是智能的重要标志。
值得一提的是，2018年10月，由余山指导，曾冠雄、研究生崔波和陈阳组成的团队，曾凭借作品《基于情境信号的连续多任务学习》从国内外84所高校和研究院所的近300支参赛队伍中脱颖而出，获得2018年国际大学生类脑计算大赛最高奖“创新特等奖”，并获得奖金30万元。
