AI 的少樣本學習：為什麼看幾張就會
當樣本數量極少時，模型面臨的是一個「欠定問題」（underdetermined problem）：有無數種參數組合可以完美分類這幾張訓練圖片，但其中絕大多數都無法推廣到新樣本。這就像只給你三個點，卻要你猜出整條曲線的形狀——答案有無窮多種，你憑什麼選對？
維度詛咒與過度擬合
「維度詛咒」（Curse of Dimensionality）是另一個關鍵障礙。在低維空間中，少量樣本或許足以描繪資料分布；但影像、語音、文字等真實資料往往位於極高維的空間中（一張 256×256 的彩色圖片就有近二十萬維）。在高維空間裡，樣本變得極度稀疏，任意兩個點之間的距離都趨於相近，這使得「相似性」的判斷變得極為困難。
舉例來說，如果你想用「距離」來判斷兩張圖片是否屬於同一類，在只有五張範例的情況下，模型很難準確估計出每個類別在特徵空間中的分布範圍。稍微一點光影變化、角度偏移或背景干擾，就可能讓模型把同一隻貓誤判成狗。這就是為什麼早期基於簡單距離度量的方法，在少樣本情境下表現往往不盡理想。
此外，少樣本學習還面臨「類別不平衡」與「樣本多樣性不足」的問題。五張範例可能全部來自同一個角度、同一種光線，模型學到的可能是「這張照片的背景」而非「這個類別的本質」。這種「虛假相關」（spurious correlation）是少樣本學習中最隱蔽也最危險的陷阱之一。
三、AI 如何做到「看幾張就會」？核心技術解析
儘管困難重重，過去十年間研究者仍發展出一系列巧妙的方法，讓機器逐步逼近人類的少樣本學習能力。以下我們將拆解幾個最具代表性的技術路線。
元學習：學會如何學習
元學習（Meta-Learning）被譽為「學習的學習」，是少樣本學習最重要的範式之一。它的核心思想是：與其直接訓練一個「分類器」，不如訓練一個「能快速適應新任務的學習器」。
最具代表性的方法是模型不可知元學習（MAML, Model-Agnostic Meta-Learning）。MAML 的訓練過程模擬了「少樣本情境」：它從大量任務中抽取訓練任務，每個任務只給少量樣本，要求模型在幾步梯度更新後就能在新任務上表現良好。換句話說，MAML 訓練的不是「解決某個特定問題的能力」，而是「快速適應新問題的能力」。經過這樣訓練的模型，初始參數會被調整到一個「容易微調」的位置，面對新類別時只需幾次更新就能上手。
另一個著名方法是「原型網路」（Prototypical Networks）。它假設每個類別在特徵空間中都存在一個「原型」（prototype），也就是該類別樣本特徵的平均值。分類時，模型只需計算查詢樣本與各類別原型的距離，距離最近者即為預測類別。這個方法簡單卻有效，因為它把「分類」轉化為「度量」，大幅降低了對樣本數量的需求。
度量學習：用距離判斷相似
度量學習（Metric Learning）是少樣本學習的另一大支柱。它的核心概念是：與其學習一個固定的分類邊界，不如學習一個「好的特徵空間」，讓同類樣本彼此靠近、異類樣本彼此遠離。在這個空間中，即使只有一個範例，模型也能透過「比對距離」來判斷新樣本的類別。
孿生網路（Siamese Network）是度量學習的經典架構。它使用兩個共享權重的子網路，分別將兩張圖片映射到特徵空間，然後比較兩者的相似度。訓練時，網路會看到大量「同類配對」與「異類配對」，逐漸學會辨別哪些差異是「類別內變異」、哪些是「類別間差異」。這種「配對學習」的方式，讓模型在面對新類別時，只需拿出幾張範例進行比對，就能做出判斷。
三元組損失（Triplet Loss）則進一步強化了這個概念：每次訓練選取一個「錨點」、一個「正樣本」（同類）和一個「負樣本」（異類），要求錨點與正樣本的距離小於錨點與負樣本的距離，並保持一定的間隔。這種方法在臉部辨識領域廣為應用，也是少樣本學習的重要基礎。
遷移學習與預訓練模型：站在巨人肩膀上
如果說元學習教會模型「如何學習」，那遷移學習（Transfer Learning）就是讓模型「先學會很多東西，再拿來用」。這個概念在近年大型預訓練模型的浪潮下，被推向了前所未有的高度。
以自然語言處理為例，GPT、BERT 等大型語言模型在海量文本上進行預訓練，學會了語法、語意、常識甚至推理能力。當面對新任務時，模型只需少量範例，甚至只需一段提示（prompt），就能展現出令人驚豔的表現。這種「預訓練 + 微調」或「預訓練 + 提示」的模式，本質上就是一種大規模的遷移學習。
在視覺領域，類似的趨勢也正在發生。透過對比學習（Contrastive Learning）訓練的視覺編碼器（如 CLIP），能夠將圖片與文字映射到同一個語意空間。這使得模型可以透過文字描述來辨識從未見過的視覺類別，實現「零樣本」甚至「少樣本」的辨識能力。換句話說，模型之所以「看幾張就會」，是因為它早已在預訓練階段「看過」了整個世界的縮影。
資料增強與生成式 AI 的輔助
在樣本極少的情況下，如何「創造」更多有效樣本，也是一條重要思路。資料增強（Data Augmentation）透過旋轉、裁切、翻轉、色彩擾動等方式，從少量樣本中生成大量變體，讓模型學會忽略無關變化。這種方法雖然簡單，卻在實務中極為有效。
近年來，生成式 AI 的興起更為少樣本學習打開了新大門。透過擴散模型（Diffusion Model）或生成對抗網路（GAN），研究者可以根據少量範例生成高品質的合成資料，擴充訓練集。例如，在醫療影像領域，罕見疾病的樣本極度稀缺，生成模型可以協助合成逼真的病灶影像，幫助模型學習。當然，合成資料的品質與多樣性仍需嚴格把控，否則可能引入新的偏差。
提示工程與上下文學習
大型語言模型的出現，帶來了一種全新的「少樣本」形式：上下文學習（In-Context Learning）。使用者只需在提示中提供幾個範例（few-shot prompting），模型就能「當場」理解任務模式並給出答案，完全不需要更新任何參數。
這種能力的機制至今仍是研究熱點。有一種觀點認為，模型在預訓練階段已經隱式地學會了「從上下文中辨識模式」的能力，幾個範例就像是「喚醒」了這些既有能力。無論機制為何，上下文學習已經成為當前 AI 應用的主流互動方式，也讓「看幾張就會」從實驗室走進了 everyday 的產品體驗中。
四、從實驗室到真實世界：少樣本學習的應用場景
少樣本學習不只是學術論文裡的漂亮數字，它在許多真實場景中都具有關鍵價值。以下我們來看幾個最具代表性的應用領域。
醫療影像與罕見疾病
醫療領域是少樣本學習最典型的應用場域之一。罕見疾病的病例本就稀少，要收集大量標註影像幾乎不可能；即使是常見疾病，不同醫院、不同設備拍出的影像也存在巨大差異。少樣本學習讓 AI 能夠在只有幾張範例的情況下，協助醫生辨識罕見病灶，或快速適應新醫院的影像風格。這對於提升偏鄉醫療品質、加速新疾病篩檢，都具有重大意義。
工業瑕疵檢測
在製造業中，產品瑕疵往往種類繁多且出現頻率極低。傳統的瑕疵檢測模型需要針對每種瑕疵收集大量樣本，曠日廢時。少樣本學習讓產線工程師只需提供幾張瑕疵範例，模型就能快速學會辨識新類型的缺陷。這對於少量多樣的彈性製造、新產品快速上線，都能大幅降低導入成本與時間。
語音與語言的低資源場景
全球有數千種語言，但大多數語言的數位資料極度匱乏。少樣本學習讓語音辨識與機器翻譯模型能夠在只有少量語料的語言上運作，協助保存瀕危語言、促進跨語言溝通。同樣地，在個人化語音助理、客製化聲紋辨識等場景中，少樣本學習也能讓系統快速適應個別使用者的口音與用語。
五、少樣本學習的極限與挑戰
儘管前景光明，少樣本學習仍有其極限。理解這些限制，才能更務實地看待這項技術。
樣本品質比數量更重要
俗話說「垃圾進，垃圾出」，這句話在少樣本學習中尤其貼切。由於樣本數量極少，每一個範例的品質都至關重要。如果範例本身標註錯誤、角度偏差、或含有強烈背景干擾，模型很可能學到錯誤的特徵。因此，如何挑選「代表性範例」、如何設計穩健的學習演算法，是實務應用的關鍵課題。
評估標準與泛化能力
少樣本學習的評估方式也充滿挑戰。由於每次實驗的樣本抽樣具有隨機性，模型表現可能劇烈波動。研究者通常需要進行多次隨機抽樣並取平均，才能得到可靠的評估結果。此外，實驗室中的「少樣本」設定往往經過精心設計，與真實世界的雜亂情境仍有落差。模型能否在真正開放、動態的環境中泛化，仍需更多驗證。
六、未來展望：走向更接近人類的學習
少樣本學習的終極目標，是讓 AI 具備像人類一樣的「舉一反三」能力。這條路還很長，但幾個方向值得期待。
多模態與世界模型
人類的少樣本能力，很大程度來自多感官的整合：我們不只「看」過斑馬，還聽過牠的叫聲、讀過牠的習性、知道牠生活在草原上。未來的 AI 若能整合視覺、語言、聽覺等多模態資訊，並建立對世界的整體理解（世界模型），就有機會在極少樣本下做出更接近人類的判斷。
持續學習與終身學習
目前的少樣本學習多半是「一次性」的：模型在特定任務上快速適應，但這種能力未必能累積。未來的方向是「持續學習」（Continual Learning）：讓模型在面對新任務時快速適應，同時不忘記舊知識，逐步累積成更通用的智慧。這正是通往通用人工智慧（AGI）的重要拼圖。
七、結語：從「看幾張就會」看見智慧的未來
「看幾張就會」這句看似平凡的描述，背後其實蘊含著人類智慧最精妙的一面：我們能從極少量的經驗中抽取本質、類比遷移、舉一反三。少樣本學習正是 AI 研究者試圖複製這種能力的努力結晶。從元學習、度量學習、遷移學習，到大型預訓練模型與上下文學習，每一條技術路線都在回答同一個問題：如何讓機器用更少的資料，學到更通用的規律？
當然，目前的 AI 距離人類的學習效率仍有不小差距。模型仍可能被幾張帶有偏差的範例誤導，也難以像人類一樣在開放世界中自由探索。但可以肯定的是，少樣本學習所代表的方向——從「資料堆疊」走向「智慧萃取」——將持續推動 AI 走向更輕量、更彈性、更接近人類的未來。下一次當你看到 AI 只憑幾張圖片就認出新東西時，不妨想想：這背後是多少研究者對「學習本質」的深刻追問。而這，正是人工智慧最迷人的地方。