小样本学习：让AI学会“举一反三”的智能捷径
小样本学习是机器学习的一个分支，旨在让模型仅通过极少量的标注示例（如几个或几十个）就能快速学习新概念或任务，模仿人类“举一反三”的能力。
一句话解释
小样本学习是一种让AI模型仅需极少量示例（如几个样本）就能学会新任务或识别新类别的技术，核心目标是提升模型的数据利用效率和泛化能力。
为什么会被关注
现实世界中，大量任务难以获取充足标注数据（如罕见疾病诊断、定制化需求）。传统深度学习依赖大数据，成本高、周期长。小样本学习能降低AI应用门槛，快速适应新领域，是推动AI落地到数据稀缺场景的关键技术，尤其在个性化服务、工业制造、科学研究中价值凸显。
核心逻辑
其核心在于“先验知识迁移”和“任务快速适配”。模型首先在大量相关任务或数据上进行预训练，获得通用的特征提取与关系推理能力（先验）。面对新任务时，模型利用这些先验知识，仅通过分析少量支持集样本，就能快速调整决策边界或生成适配新任务的参数，本质上是对已学知识的高效重组与应用。
常见场景
1. 医疗影像：针对罕见病，医生只能提供少量确诊影像，模型需据此学会诊断。
2. 工业质检：生产线出现从未见过的新型缺陷，仅有的几个缺陷样本需被快速学习识别。
3. 个性化推荐：为新用户或冷门商品提供推荐，初始交互数据极少。
4. 机器人指令：用少量演示教机器人完成新家务动作。
5. 自然语言处理：快速适应新的文本分类意图或小众领域语言风格。
容易混淆的点
与零样本学习的区别：零样本学习完全无需新任务示例，依赖属性描述等外部知识进行推理；小样本学习仍需少量示例。与迁移学习的区别：迁移学习侧重源任务到目标任务的知识转移，微调可能仍需较多数据；小样本学习更强调“极少样本”下的快速适应，常以元学习为框架。并非万能：其性能高度依赖预训练阶段所学先验的质量与广度，若新任务与先验知识域差异过大，效果会大打折扣。
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。