---
title: "元學習（Meta-learning）"
slug: meta-learning
language: zh-TW
source: https://aiterms.tw/terms/meta-learning
updated_at: 2026-04-29
tags: [機器學習, 深度學習, 模型訓練, 遷移學習, 強化學習, 神經網路, 最佳化, 模型評估, AI基礎]
ipas_term: false
---

# 元學習（Meta-learning）

> **你有沒有想過，模型能不能學會「怎麼學」？**
>
> 你可以把元學習想成，讓模型先在很多任務上練習，再把這種學習能力帶到新任務。
> 它重要在於，當新任務資料很少時，模型不必從零開始摸索。
>
> 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

> **元學習 vs 遷移學習**
>
> 元學習：學的是快速適應新任務的能力。
> 遷移學習：把舊任務學到的知識搬到新任務。
> 最關鍵的區別：前者學「學習方法」，後者搬「既有知識」。

> **元學習 vs 少樣本學習**
>
> 元學習：是一種訓練策略。
> 少樣本學習：是一種低資料場景。
> 最關鍵的區別：前者是方法，後者是情境。

### 記住這句就好

> 先學會怎麼適應新任務，再去面對新題目。

### 實際案例

> **新產品文案分類**
>
> 公司每次上新品牌都只給少量標註，元學習可以先從很多舊品牌任務中練出快速適應能力。

> **個人化醫療**
>
> 不同病人資料很少且差異大時，模型先學到跨任務的適應方式，比每次都從頭訓練更有效。

### 算法與應用

> 常見形式有模型式、度量式和優化式元學習。
> 訓練時會刻意把很多小任務當作訓練單位，讓模型在任務間反覆練習。
> 它和 few-shot learning、fine-tuning 常常一起出現。

### 情境判斷

> **Q1（情境題）：** 如果新任務資料很多，元學習還值得做嗎？
>
> → 可能沒那麼必要。資料充足時，直接訓練或微調常常更簡單。

> **Q2（情境題）：** 如果每個新任務都很像，只是資料很少，元學習有幫助嗎？
>
> → 很有幫助。因為它就是為了讓模型在相似任務之間快速適應。

### 常見問題

> **Q：元學習和微調是同一件事嗎？**
>
> 不是。微調是把預訓練模型調到單一任務，元學習則是在訓練階段就設計成能快速適應。

> **Q：元學習一定比傳統訓練好嗎？**
>
> 不一定。只有在新任務少樣本、任務分布相近時，它才特別有優勢。

> **Q：它跟終身學習有什麼差別？**
>
> 元學習重點是快速適應新任務，終身學習重點是持續學新知識又不要忘舊知識。

### 相關術語

> - **遷移學習**：先對照知識搬移，才看得懂元學習的差異。
> - **少樣本學習**：元學習最常用來解這個問題。
> - **微調**：實作上經常是元學習的落地手段。
> - **機器學習**：元學習是機器學習裡更進一步的訓練思路。

---

來源：https://aiterms.tw/terms/meta-learning
快查頁：https://aiterms.tw/terms/meta-learning
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-meta-learning