迁移学习是什么？让 AI 把在一个领域学的本事用在新地方
从零训太贵：每件事都重新学不现实
训练一个像样的模型，往往要海量数据和昂贵算力。如果每遇到一个新任务都从一张白纸训起，成本和时间是绝大多数团队承受不起的。更别提很多场景本身就缺数据——比如某家小医院想做罕见病识别，病例才几百份，根本不够从零教模型。问题变成：能不能借已经在别处学会的本事，来加速眼前的学习？这就是迁移学习要解决的。
迁移学习：把“底层功”从旧活带到新活
它像一个人转行。你从会计转去做审计，具体的账套规则要重新学，但“看数字敏感”“逻辑严谨”这类底层功是直接带过去的，上手就快。模型也一样：在任务 A（比如识别一千种常见物体）上训好的网络，前面几层已经学会了“找边缘、认纹理、辨形状”这种通用视觉功。把这部分保留，只重新训练后面几层去适配任务 B（比如认某种零件缺陷），往往用很少数据就能见效。
两种常见玩法：微调与特征复用
最常用的是“微调”：拿一个在大数据上预训好的模型当底子，用你自己的小数据在它上面接着练一小阵，让它从“通用”过渡到“专精”。另一种是“特征复用”：把训好的模型当特征提取器，前面不动，只换最后一层分类头。两者思路一致——不浪费已经学到的通用能力。今天你听到的很多“行业小模型”，底层其实都是大模型迁移加微调出来的。
为什么它能救“数据少”的场
迁移学习最大的价值，是让小数据场景也能用上深度学习。通用能力已经在大数据里练扎实了，你只需补一点点领域-specific 的细节。好比请一位练了十年基本功的老师傅，花两周熟悉你们厂的设备，比从零招个新人从头教三年靠谱得多。医疗、工业质检、小语种翻译这些“数据贵”的领域，尤其受益。
迁移也有坑：领域差太远会“负迁移”
不是搬过去都好用。如果旧任务和新任务差异太大，硬搬反而帮倒忙，业内叫负迁移——就像让游泳冠军去教短跑，某些发力习惯反而碍事。所以选“老师任务”要看相关性：都是视觉、都是语言，迁移通常顺；跨模态或跨度太大，就要谨慎。工程师的活儿，常常就是判断“这层功到底能不能带”。
普通人的体感与启发
你用的很多“垂直 AI”——法律文书助手、某品牌客服、专业图像工具——大概率不是从零造的，而是大模型迁移微调的产物，所以上线快、成本低的秘密在这里。对个人也有启发：学新东西别总从零开始，先想“我已有的哪层功可以带过去”。AI 用迁移学习省钱省力，人用类比学习触类旁通，道理是通的。
