什么是半监督学习？少量标注也能训练

训练 AI 模型时，现实里常见的情况是：未标注的数据一大堆，标注好的数据只有一点点。半监督学习，就是同时利用「有标注」和「无标注」的数据来训练模型，用少量标注撬动大量未标注数据里的信息。

核心思路

半监督学习的立足点，是未标注数据里的「分布信息」。简单说，即使不知道答案，知道「数据长什么样」也有帮助：模型能学到数据的结构，再结合少量标注来确定分类边界。它介于监督学习和无监督学习之间，用监督信号打底，用未标注数据的结构来补足。

打个比方：老师先看了一堆没批改的作业，虽然不知道每份的答案，但看得出这些作业大致分几类、难易程度如何。有了这个轮廓，只需要认真批改少数几份，就能把评分标准定下来。半监督学习做的，就是把「没批改的作业」也用起来。模型学完结构后，最终还要靠生成来作答，基础可以看什么是大语言模型。

三种常见做法

自训练：先用少量标注数据训一个模型，让它给未标注数据打「伪标签」，再把这些样本一起拿来训练。一致性正则：同一份数据做不同变换，要求模型输出保持一致。图方法：把数据点连成图，相似的样本应该归为一类。三种做法的共同点，都是想办法从「没有答案的数据」里榨出有用的结构信号。

下面这张表把三种做法摆在一起看。

标注成本怎么降下来

标注是 AI 落地很贵的一环。专业影像、专业文书这类数据，标注需要专业人士参与，成本很高。半监督学习能明显降低对标注量的依赖，让预算有限的团队也能把模型做得更好。一个可带走的判断：半监督的效果，取决于「未标注数据里有多少可学的结构」，数据越有规律，提升越大。与之相对的自监督学习走得更远，连标注都不需要。

三个前提

半监督学习有前提条件，缺一不可。其一，未标注数据和标注数据要「同分布」，来源完全不同，帮助就有限。其二，少量标注要「够准」，标注本身有噪声，效果会大打折扣。其三，问题本身要有结构，数据里确实存在可学习的规律。前提不满足时，半监督可能比纯监督还差。

自训练的风险

自训练有个隐患：模型的错误会被自己强化。它给未标注数据打错标签，再拿这些错误标签训练自己，错误就固化了。所以实践中要严格控制伪标签的质量，常见做法是只保留高置信度的伪标签，或引入人工抽检。这个风险和标签噪声是同一类问题，可以对照理解。

它做不到什么

半监督学习不能替代人工标注。它只是降低对标注量的依赖，把「必须标很多」变成「标得精一点、少一点」，标注这条线始终不能断。当未标注数据与目标任务无关、或数据本身没有规律时，半监督的效果接近零。更要警惕的是，如果伪标签质量失控，它甚至会带来负效果，让模型越练越歪。

换句话说，半监督的前提是「那堆没标注的数据里，藏着有用的规律」。如果那堆数据是一堆噪声，或者和任务没关系，那它帮不上忙，甚至添乱。把原始数据先加工干净，是这类方法起作用的前提，这和语音合成的文本前端强调的「上游处理干净、下游才不出错」是同一个道理。

速查

• 定位：介于监督与无监督之间，少量标注 + 大量未标注。
• 三种做法：自训练、一致性正则、图方法。
• 三个前提：同分布、标注准、有结构。
• 最大风险：自训练的错误自我强化。

半监督学习是「用未标注数据撬动标注成本」的思路。理解它，能帮你判断一个项目在标注预算有限时，值不值得引入未标注数据。前提对了，它是省钱的办法；前提不对，它会放大错误。