迁移学习（Transfer learning）

       迁移学习是一种机器学习方法，通过使用一个适用于不同但相关任务的模型，以一种有利的方式缩小可能模型的搜索范围。其核心思想是知识迁移，即避免从零开始训练模型，而是将一个任务上训练好的模型进行调整，应用于新的、相关的任务上。在深度学习中，迁移学习常用于计算机视觉和自然语言处理任务，通常以预训练模型作为新模型的起点，这些预训练模型在开发时已消耗巨大的时间资源和计算资源，迁移学习可以将已习得的强大技能迁移到相关问题上，深度学习中的这种迁移被称作归纳迁移 。第二种类型的迁移学习在深度学习领域比较常用 。

       该方法能有效利用已有的计算资源和数据，提升数据训练效率。例如，L3级自动驾驶商业化落地后，迁移强化学习技术被用于提升复杂路况、边缘场景的数据训练效率，助力车企快速迭代模型性能 。迁移学习技术为解决数据收集难题提供了新路径，例如巴斯克大学在2026年的研究中，应用迁移学习于脑机接口语音识别，通过在大规模预训练模型上使用5分钟的个体数据进行微调，实现了对大脑语音活动的高效检测和跨任务解码能力 。AI初创公司Axiom也通过迁移学习，将其系统的数学推理能力引入到代码验证领域，以构建可验证人工智能 。