零样本学习是什么？没教过的题，AI 也能猜个八九不离十
「没练过的题一律不会」的尴尬
普通分类模型是「考啥练啥」：你喂了猫狗的样本，它就认猫狗；突然塞张斑马，它只能蒙。现实哪能穷举所有类别？新品类、新场景天天冒出来，总不能每来一个就重训一遍。这种「离开训练集就失灵」的脆弱，是早期 AI 落地的大坎。零样本学习想破的，正是这堵墙。
零样本：把「语义」也喂给模型
它的巧思在于，不只给模型看图片，还把每个类别的「文字说明」一起给它。比如告诉模型「斑马是长着黑白条纹的马」，即便训练时从没见过斑马图，模型也能把「条纹+马」的语义，和见过的「马」「条纹」特征对上号，从而认出斑马。类别不再是冷冰冰的编号，而是带意义的词，没见过的也能靠意义推断。
一个比喻：查字典与跨语种猜词
把这想成你到了陌生语言环境：虽没背过某个词，但手边有本「用你母语解释的外语词典」，你就能根据解释猜个大概。零样本就是给模型配了这样一本「用已知概念解释未知类别」的字典。它不必真见过斑马，只要懂得「马」和「条纹」这两个旧概念，再读到新词的解释，就能连起来。大模型更是把这招玩到极致——你直接打字描述，它就懂。
它和「少样本」差在哪
别混了：少样本（few-shot）是给模型看几个新类的例子，它照猫画虎；零样本是一个例子都不给，纯靠文字描述或固有知识去推。少样本像考前发了样卷，零样本是连样卷都没有、全凭平时积累和题意理解。两者解决的是同一类「泛化到新类别」问题，只是给的线索多少不同。
大模型为什么天生会这个
今天的大语言模型、多模态模型，大多在海量文本、图文对上预训练过，世界知识塞了一肚子。你让它「认一种没见过的花」，它靠训练时读过的描述就能接话，这本质就是零样本。所以你现在随手问 AI 陌生问题它常能答，背后正是零样本能力在撑场，而不必每次都为新任务重新训练。
小结
零样本学习打破了「没练过就不会」的魔咒：它把类别的文字语义一并喂给模型，让没见过的东西能靠「已知概念+描述」在意义层面接上头，从而完成识别。它和少样本不同——少样本给几个样卷照着学，零样本连样卷都没有、纯靠语义推断。大模型肚里装着海量世界知识，你随口问陌生事物它能接住，靠的正是这身零样本本事，而非每题都重训。理解零样本，你就明白 AI 的「举一反三」不全是吹的：给它一本用旧知识解释新事物的字典，它真能猜个八九不离十。下次 AI 答了你没教过的问题，别惊讶——它只是读了字典，不是背了答案。
