什么是迁移学习？学过的本事怎么复用

一句话：把旧本事接到新任务上

迁移学习（transfer learning）指的是：把模型在一个任务上学到的能力当作起点，搬到另一个相关任务上，从而少花数据、少花时间。会骑自行车的人学摩托车更快，因为他不必从头练平衡；AI 也一样，它的省事之处在于复用已有能力，而非从零开始摸索。

在一个海量文本上训练过的大模型，已经掌握了词的搭配、句子的结构、常见的事实与逻辑。这些底层能力大多和具体任务无关，属于可迁移的部分。迁移学习要做的，就是把这部分保留下来，再用少量新数据去教它新任务的具体要求。

为什么它能省下数据和时间

从零训练一个模型，等于让模型在不认识任何规律的状态下开始试错，每走一步都要靠大量样本去纠正。迁移学习让模型带着已有规律进场，起步就站在更高的位置。省下来的通常是三样：标注数据的数量、训练所需的时间、以及对应的算力开销。

对普通团队来说，这意味着可以用几十条、几百条示例，调出一个在特定场景里能用的模型，而不必准备百万级标注数据。这是迁移学习很实用的一点：把训大模型的门槛，换成适配小模型的工作量。

迁移学习用在哪

最典型的是大模型的微调：基于一个通用底座，用行业数据调出专用版本。你可以先了解什么是大语言模型，再理解微调为什么能这么快。图像识别里，通常先在通用图片集上训练，再用少量专业图片适配特定场景，例如智能抠像、智能重构图这类任务，往往也是通用视觉能力加上专项适配的结果。

语音识别同样如此：通用语音模型可以用小样本去适配特定口音或场景，语音合成的文本前端也是类似思路，先把通用能力做好，再针对具体发音做适配。这几条路共用一个逻辑，即底座相同，适配方式不同。

迁移什么，不迁移什么

迁移学习迁移的是通用的那一层：底层特征、语言规律、基础常识。而具体任务的细节、领域专用术语和输出格式，通常是新学的那部分。所以迁移并非把整个模型原样照搬，实际做法是保留通用层，重训或微调靠近输出的那几层。

这也解释了为什么同一个底座模型，能变成客服、教育、办公等不同角色：底子是一样的，适配的数据和输出要求不同。

迁移学习里还有个专门的名词叫负迁移：当两个任务表面相关、实际规律不同时，旧模型带来的东西反而会拖累新任务，效果比从头训练还差。判断会不会负迁移，看的是两个任务在输入和输出上到底有多接近，而不是名字像不像。

它做不到什么

迁移学习有一条清晰的边界：任务不能差太远。一个纯文本模型很难直接迁到图像任务上，两者要处理的输入和规律完全不同。旧模型带有的偏见和错误也会一起迁过来，适配时如果不留意，这些旧习惯会被原样继承。

更大的风险是：当新任务和原任务差别很大时，迁移的效果会明显下降，有时甚至不如从头训练。它是省力的路径，不是万能捷径，用之前要先判断两个任务是否真的相关。

一张速查表：什么时候迁移有用

• 迁移学习等于复用旧模型能力，少花数据、时间和算力
• 能迁的是通用底层能力，具体任务细节是新学的
• 任务差太远就失效，旧模型的偏见也会一起迁过来

对普通用户来说，你见到的很多行业版 AI，背后都是迁移学习的产物。理解这一点，你就看得懂：为什么很多产品能快速推出不同场景的版本，底子是同一个，适配的方式不同。