你有沒有發現，AI 有時不是靠背答案，而是靠分清楚誰像誰、誰不像誰？
你可以把對比學習想成「把相似的拉近，把不相似的推遠」：模型不是先拿標籤死背，而是學會判斷資料之間的關係。
它很重要，因為很多資料沒有人工標註，對比學習能利用大量原始資料先學出好表示，之後再拿去做分類、檢索或推薦。
容易混淆
對比學習 vs 監督學習 vs 自監督學習
對比學習：透過比較樣本相似度來學表示
監督學習：靠人工標籤直接學答案
自監督學習：從資料本身造出訓練訊號，對比學習常屬於這一類
最關鍵的區別：對比學習的重點是「學表示」，不是直接背標籤。
記住這句就好
相似的靠近，不相似的拉開。
實際案例
圖片搜尋
前：不同照片都被看成一堆像素，沒辦法判斷誰像誰
後：先學出圖片向量，讓同類物件靠近，檢索時更容易找對
語意配對
前：句子太多、標註太少，很難直接做監督訓練
後：用對比學習先讓相似句子靠近，再拿這些表示做下游任務
算法與應用
對比學習常需要正樣本和負樣本，搭配資料增強、嵌入表示和相似度損失函數
它常出現在語意搜尋、圖片表徵、跨模態表示與預訓練流程
這方法的關鍵，不是把資料分類死，而是把結構學出來
情境判斷
Q1（直覺題）： 如果模型學會把同類圖片向量拉近，這像對比學習嗎？
→ 像，這就是它最典型的目標。
Q2（判斷題）： 只要沒有人工標籤，就一定是對比學習嗎？
→ 不一定。沒有標籤還有很多自監督方法，對比學習只是其中一種。
常見問題
對比學習一定要負樣本嗎？
多數方法會用，但也有變體不太依賴明確負樣本。
它和分類有什麼不同？
分類重點是輸出類別，對比學習重點是學出好表示。
這為什麼對搜尋有用？
因為搜尋本質上就是在找語意接近的表示。