名词解释 / 07

迁移学习

第 95 / 127 个名词进一步了解 AI 原理

英文名称：Transfer Learning（常缩写为 TL） 常见别名：微调、领域适配——两者常被当作迁移学习的代称，但严格说分别是它的实现方式和分支 所属分类：进一步了解 AI 原理

一句话解释

迁移学习是指把 AI 在一个任务上学到的知识，转用来帮助另一个相关任务。类比到人：会开小汽车的人学开货车，比完全没开过车的人快很多，因为“怎么驾驶”这套底子可以直接搬。AI 也一样，先在大规模通用数据上学好底子，再借这份底子、用较少的行业数据学会一件具体的事，不用每次都从零开始。

工作中什么时候会遇到

最常见的其实是“间接遇到”。你用的智能办公产品、客服机器人、定制的 AI 智能体，背后往往是“先通用、后专用”的模型：先在大量通用文本上学会语言和常识，再针对某个行业做适配，让它听得懂你们行业的说法。这套路线的核心技术之一就是迁移学习。所以当供应商说“只要给我们一些资料，就能定制出懂你们业务的 AI”，这句话的技术底子正是它。

另一类更直接：公司做数据分析项目时——比如新品没有销售历史、新设备没有故障记录——系统会借用相似老产品、老设备上学到的规律来做预测，这也是迁移学习。产品具体怎么适配、要不要额外配置，以当前版本和官方说明为准。

能解决什么问题

数据不够时也能起步：新业务、新产品、新场景还没有足够历史数据，可以借用相似场景的规律，让 AI 尽早可用。
省时间省钱：不必每次都投海量数据和算力从零训练，站在现成模型上做小范围适配即可。
让通用 AI 快速“懂行”：只需相对少的行业资料，就能让模型理解行业术语和公司内部叫法。
经验跨场景复用：一条产线、一个区域、一类客户身上学到的规律，能迁移到情况相似的另一个场景，缩短试错期。
提高小样本任务的准确率：样本很少的任务直接训练效果差，借助迁移通常能明显变准，提升幅度因场景而异。

举个例子

一家做工业配件的公司要推一款新型号，它没有任何销售历史，但仓库里有好几款“长得像”的老型号三年多的销售数据。销售经理想在系统里预测新品的首批备货量。

输入是几款老型号过去的逐月销量、价格和促销记录，加上新品的参数（定位、价格带、目标客户）。系统先从老型号里学会规律——淡旺季怎么走、大客户采购节奏、价格一变销量怎么动——再把这套规律套到新品上；新品上线后，再用每周新增的真实订单不断修正预测。输出是新品首季的周度需求预测区间和备货建议。人工确认点：采购经理不能照单全收，要核对预测里是否纳入了已知的大客户意向，把明显偏离实际的反馈回去，供系统修正。

怎么使用

对普通员工来说，迁移学习基本不需要亲手操作，它藏在产品内部。你能做的有两件事：一是公司定制智能体或引入智能分析功能时，按要求提供高质量的资料、术语表和问答样例——这些是“迁移”的素材，给得越准，适配效果越好；二是使用中把明显不对的输出反馈给供应商或 IT，偏差反馈会帮助系统修正。

模型如何迁移、拿什么数据适配，通常由供应商的技术人员或公司里的算法、IT 团队完成。员工不用懂训练细节，只要记住一点：适配后系统“懂”多少，主要取决于企业提供的数据质量，而不是 AI 凭空就会。

使用时要注意什么

迁移学习不是“让 AI 无师自通”。如果新旧两个任务差别太大，借来的旧知识不但帮不上忙，还可能拖后腿（技术上叫负迁移），所以不是所有场景都适合套用老经验。另外，从通用模型适配出来的能力有边界：它可能懂行业常用词，却未必懂你公司内部的特殊缩写，超出范围时该人工复核还是得复核。

还要留神两点：一是别被“开箱就什么都懂”的宣传误导，实际效果要看适配时投入的数据和验证；二是如果公司用的是外部采购的成品模型或智能体，要留意来源是否可信、有没有做过安全评估，基础模型本身可能藏有隐患。具体产品的适配能力和限制，以当前版本和官方说明为准。

容易混淆的词

微调：迁移学习最常用的一种做法——拿已训练好的模型，用新数据再“练”一段时间。迁移学习是更大的概念，微调只是其中一种实现，但两者常被混着说。
预训练模型：迁移学习的“知识来源”，指已经在海量通用数据上训练好的现成模型。预训练是“把底子打好”，迁移是把底子用到新任务上，常见组合是“预训练 + 微调”。
领域适配：迁移学习的一个分支，特指任务相同、但数据环境变了的情况，例如把在华东市场学到的规律搬到华南。很多人把领域适配直接当迁移学习讲，其实是部分与整体的关系。
增量学习：指模型上线后持续吸收新数据、越用越新，强调“不断学新东西”；迁移学习强调“借已有知识”，两者方向不同。