什么是迁移学习？让 AI 把已有能力用到新任务上

迁移学习（Transfer Learning）是把模型在一个任务或数据集上学到的能力，迁移到另一个相关任务上。它的核心想法是：不必每次都从零开始训练。

例如，一个已学会识别大量通用图像的模型，往往只需少量针对性数据，就能适应某个行业的图片分类任务；语言模型也可在通用语料预训练后，再针对特定领域继续微调。

为什么它有价值？

从零训练通常需要大量高质量数据、计算资源和时间。预训练模型已经掌握部分通用规律，例如语言结构、视觉纹理或基础语义。新任务可以站在这些能力之上，更快获得可用效果。

常见方式包括冻结大部分模型，只训练少量新层；或以较小学习率微调全部模型。选择哪一种，取决于新任务数据量与原任务的相似程度。

什么时候容易失败？

迁移不是自动有效的。如果源领域和目标领域差异太大，旧知识可能带来偏差而不是帮助。例如通用照片模型直接用于低清晰度工业影像，表现未必可靠。

还要注意授权、数据来源与评测口径。预训练模型的限制会被一并带入新系统，部署前应在真实目标数据和关键人群上独立验证。

小结

迁移学习让模型复用已有能力，从而降低新任务的训练门槛。它节约资源，却不能替代目标场景的数据检查、效果评测和持续监控。