---
title: "零樣本學習（Zero-shot Learning）"
slug: zero-shot-learning
language: zh-TW
source: https://aiterms.tw/terms/zero-shot-learning
updated_at: 2026-07-29
tags: [機器學習, 遷移學習, AI基礎]
ipas_term: true
---

# 零樣本學習（Zero-shot Learning）

> **你有沒有遇過模型沒看過這個類別，卻還希望它直接判斷？**
>
> 你可以把零樣本學習想成，模型沒看過範例，也能靠先前學到的知識和類別描述去猜新類別。
>
> 它重要，是因為很多新任務根本沒有足夠標註資料，但系統又不能等資料慢慢補齊。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **零樣本學習 vs 少樣本學習**
> 零樣本學習沒有示範例子，少樣本學習還是會給幾個例子。
>
> **零樣本學習 vs 監督式學習**
> 監督式學習通常要大量標註資料，零樣本學習則靠既有知識和語意關係推斷。
>
> **零樣本學習 vs 遷移學習**
> 遷移學習是把舊能力搬到新任務，零樣本學習則是連新類別的示範都不給。
>
> 最關鍵的區別：零樣本是「沒看過例子也要會」。

### 記住這句就好
> 沒例子，也要能靠知識猜出來。

### 實際案例
> **新商品分類**
> 電商剛上架一批全新商品，還沒時間標很多資料，系統可以根據商品描述和類別名稱先做初步分類。
>
> **跨語言任務**
> 模型沒看過某些語言的標註資料，仍能靠訓練時學到的語意關聯處理部分任務。

### 算法與應用
> 零樣本學習常把類別名稱、文字描述或屬性當成橋樑，讓模型從已知類別推到未知類別。
>
> 它常出現在圖像分類、文字分類、檢索和大型語言模型的提示式任務裡。
>
> 真正的挑戰不是「能不能猜」，而是「在沒示範的情況下，猜得穩不穩」。

### 中英對照與常見說法

| 說法 | 出現場合 |
| --- | --- |
| 零樣本學習 | 台灣正式用語 |
| 零样本学习 | 簡體寫法 |
| Zero-Shot Learning | 英文原名 |
| ZSL | 縮寫 |
| 零樣本推論、Zero-shot prompting | 大型語言模型脈絡下的說法 |

### 零樣本、單樣本、少樣本

| 名稱 | 給模型看幾個例子 |
| --- | --- |
| 零樣本（zero-shot） | 0 個，只給任務描述 |
| 單樣本（one-shot） | 1 個 |
| 少樣本（few-shot） | 通常 2 個到數十個 |

> 這組詞在兩個脈絡下意思不同，很容易混淆。
>
> **傳統零樣本學習**指的是模型要辨識訓練時完全沒看過的類別，做法是透過語意屬性或文字描述當橋樑。例如訓練時看過馬與老虎，靠「像馬但有黑白條紋」的屬性描述就能認出斑馬。
>
> **大型語言模型的零樣本**指的是不給範例、只給指令就直接做任務。模型並沒有「沒看過」，它在預訓練時很可能看過大量相關資料，只是這次的提示裡沒有範例。

### 什麼時候該用零樣本，什麼時候不該

> **適合零樣本**：任務常見且描述得清楚（翻譯、摘要、情感分類）、類別會不斷新增來不及標註、只是要快速試水溫看看可行性。
>
> **不適合零樣本**：輸出格式有嚴格要求（給一個範例的效果通常遠勝過用文字描述格式）、領域術語冷僻、判斷標準是團隊內部約定而非常識。這些情況給幾個例子的成本很低，效果提升卻很明顯。
>
> **實用做法是先試零樣本當基準線**。零樣本就夠好的任務不必浪費上下文空間放範例；零樣本明顯不行的，再逐步加範例，觀察加到第幾個之後效果不再提升。
>
> 讓零樣本表現變好的關鍵不在模型而在**指令寫得夠不夠具體**：明確說出角色、輸出格式、判斷準則、以及遇到不確定時該怎麼辦，效果差距往往比換模型還大。

### 情境判斷
> **Q1（直覺題）：** 模型沒看過「砂糖橘」這個類別，但看描述後能判成柑橘類，這算零樣本嗎？
>
> → 算，因為它沒有看過這個類別的訓練範例，是靠語意描述推斷。
>
> **Q2（判斷題）：** 如果模型只靠一兩個標註範例就做出判斷，這還是零樣本嗎？
>
> → 不是，這更接近少樣本學習。零樣本的關鍵是沒有示範例子。

### iPAS 考題
> **出題方向：** 常考零樣本、少樣本、遷移學習之間的差異，還有它在資料不足時的用途。
>
> **Q：零樣本學習最核心的特徵是什麼？**
> → 沒有目標類別的訓練範例，仍能利用預訓練知識進行判斷。
>
> **Q：哪一種情況最接近零樣本學習？**
> → 模型沒看過新類別的標註樣本，只靠類別描述或語意關聯做分類。

### 常見問題
> **Q：零樣本學習準嗎？**
> 會比有充分資料的監督式學習不穩，但在資料很少的情況下很有價值。
>
> **Q：零樣本學習一定要大型語言模型嗎？**
> 不一定，但大型語言模型讓零樣本任務更常見，也更容易做。
>
> **Q：零樣本學習和提示工程有關嗎？**
> 有關，很多 LLM 的零樣本能力就是透過好的提示語觸發。
>
> **Q：零樣本學習能取代人工標註嗎？**
> 不能完全取代，但可以先把初版系統做起來，降低冷啟動成本。

### 相關術語
> - **少樣本學習**：先看它，才能分清「零個」和「幾個」範例
> - **遷移學習**：先看它，才能知道零樣本的能力從哪裡來
> - **機器學習**：先看它，才能把零樣本放回學習方法的大圖裡
> - **人工智慧**：先看它，才能理解零樣本是 AI 能力的一種表現
> - **大型語言模型**：先看它，才能看懂零樣本在提示式任務中的常見用法

---

來源：https://aiterms.tw/terms/zero-shot-learning
快查頁：https://aiterms.tw/terms/zero-shot-learning
最後更新：2026/07/29
深度解說：https://aiterms.tw/learning/what-is-zero-shot-learning