FewShot 少样本：让AI学会“举一反三”的智能捷径
FewShot（少样本学习）是机器学习的一种范式，旨在让模型仅通过极少数（通常几个到几十个）示例就能理解和执行新任务。它模仿了人类快速学习的能力，显著降低了对大规模标注数据的依赖，是大模型适应特定领域、实现高效微调的关键技术。
一句话解释
FewShot（少样本学习）是指人工智能模型仅需观察极少数几个任务示例，就能理解并执行该新任务的学习方式。这就像给一个聪明的学生看两三道例题，他就能解出同类型的新题目。
为什么会被关注
随着大模型（如GPT系列）的兴起，FewShot的价值被空前放大。传统AI训练需要海量标注数据，成本高昂且不灵活。FewShot让企业能用极少的例子快速定制大模型，使其适应客服、法律、医疗等专业领域，极大降低了AI应用的门槛和部署周期，成为释放大模型潜力的实用钥匙。
核心逻辑
FewShot的核心在于利用模型已有的、从海量通用数据中学到的强大知识（先验知识）。当提供少量新任务示例时，模型并非从零开始学习，而是快速调整其内部表示或推理路径，将通用知识与新示例的特定模式对齐。在大模型中，这常通过精心设计的提示（Prompt）来实现，让示例作为上下文引导模型生成正确输出。
常见场景
1. 大模型快速适配：为通用聊天机器人提供几个公司产品问答对，使其立刻变身专业客服。
2. 数据稀缺领域：在医疗影像分析中，仅有少量罕见病标注样本时，使用FewShot让模型识别新病例。
3. 文本分类与生成：给模型几个“积极/消极”的评论例子，让它自动分类新评论；或提供几种写作风格样例，让其模仿生成。
4. 代码生成：展示一个函数功能的描述和对应代码，让模型为类似的新描述生成代码。
容易混淆的点
与ZeroShot（零样本）混淆：ZeroShot是模型完全不看例子，仅凭任务描述执行；FewShot则需要少量例子。前者更“猜”，后者更“学”。
与Fine-Tuning（微调）混淆：微调需要更新模型的内部参数，过程较慢且需计算资源；FewShot通常不改变模型参数，仅通过输入（提示）来引导，更加轻量和即时。两者常结合使用，先用FewShot验证效果，再决定是否微调。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词法院AI应用是指人工智能技术在司法领域的落地实践，包括智能辅助办案、类案自动推送、裁判文书生成、庭审语音识别等，旨在提升审判效率与公平性，减轻法官事务性负担。
法院AI部署是指将语音识别、文书生成、类案推送等人工智能技术集成到法院办案流程中，旨在提升审判效率、降低人为差错，并推动司法透明化。近年来，各地智慧法院试点加速，AI从辅助工具逐渐嵌入核心业务环节。
法院AI训练指利用裁判文书、法律法规等数据，训练机器学习模型以辅助司法工作，如案件分类、证据分析、量刑建议等。它并非替代法官，而是通过技术手段提升效率与一致性，正成为智慧法院建设的核心环节。
法院AI仿真利用人工智能技术对法庭场景、审判程序、辩论逻辑进行数字化模拟，用于法律教学、案件预演、证据推演等场景，帮助法官、律师和法学院学生更直观地理解司法过程。
法院AI建模是指运用人工智能技术，尤其是大语言模型和机器学习算法，对案件的事实要素、法律条文和历史判例进行结构化建模，辅助法官完成证据审查、量刑参考和文书生成的技术方案。