零样本学习（Zero-shot Learning）

零样本学习（Zero-shot Learning）是指AI模型能够对训练时从未见过（即未学习过）的类别或任务进行推理和分类的能力与方法。 这使得实现能够灵活应对未预先设定类别或指令的AI成为可能。 传统机器学习的基本范式是：用属于特定类别的数据训练模型，再对属于该类别的新数据进行分类和预测。 而零样本学习的最大特点在于：即使没有对未知类别进行显式学习，也能利用语言或概念知识及结构进行推理。 零样本学习的代表性应用领域： • 自然语言处理（NLP）：GPT、T5等大型语言模型无需明确指令，即可应对翻译、摘要、分类等多样化任务 • 图像识别：CLIP等多模态模型通过学习图像与文本的对应关系，实现对未知图像类别的分类 • 文本分类、情感分析、问答：只需以文本形式提供任务描述，无需专用数据即可处理 零样本学习的工作原理： • 利用预训练语言模型或视觉模型所具备的知识 • 以自然语言等形式提供任务描述或目标作为输入（提示词） • 通过嵌入空间或语义表示，推断未知类别与已知类别的关联 零样本学习的优势： • 无需针对新任务或类别进行额外学习 • 可实现多语言、多用途应用（例如，一个模型支持多种语言和格式） • 降低标注成本，提升开发效率 近年来，结合给出少量示例进行学习的"少样本学习（Few-shot Learning）"和"单样本学习（One-shot Learning）"，零样本学习作为实现通用AI的重要技术方向备受关注。 零样本学习是通向"无需见过也能理解并灵活应用"这一类人类能力的AI的关键路径。