解析：
公司在工業缺陷檢測領域有成熟經驗，可利用既有的預訓練模型透過遷移學習（Transfer Learning）轉移到新產品的瑕疵檢測任務。這樣只需少量標註資料就能獲得良好效果，不需大幅增加標註預算。
你有沒有發現，會一種樂器的人，學第二種通常更快？ 你可以把遷移學習想成「把已經學會的能力搬去新任務用」 模型不用從零開始，而是先借用舊任務學到的特徵，再針對新資料微調 這在資料少、算力有限時特別有用
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
遷移學習 vs 微調 遷移學習是整體策略 微調是常見做法之一 最關鍵的區別：大方向和具體手段
遷移學習 vs 多任務學習 遷移學習是先學 A 再用到 B 多任務學習是 A 和 B 一起學 最關鍵的區別：順序和並行
遷移學習 vs 從零訓練 遷移學習先借現成能力 從零訓練完全自己學 最關鍵的區別：有沒有預先學過
記住這句就好
先借現成能力，再把新任務調到位。
實際案例
醫療影像 用大規模通用影像預訓練模型，再拿少量 X 光資料調整，通常比從零開始更快收斂
客服分類 先用通用語言模型，再用公司自己的客服對話微調，能更快學會公司內部用語
算法與應用
| 預訓練模型 | 先在大資料上學通用特徵 | 這是起點 | | 微調 | 用新任務資料再訓練 | 把通用能力轉成專用能力 | | 凍結層 | 保留部分參數不動 | 資料少時很常見 | | 負遷移 | 舊知識反而干擾新任務 | 領域差太遠時要小心 |
情境判斷
Q1（直覺題）： 你手上只有幾百張標註圖片，還適合從零訓練嗎？
通常不適合，遷移學習會更實際。
Q2（判斷題）： 原任務和新任務差很遠，遷移學習一定有幫助嗎？
不一定，差距太大時可能出現負遷移，這時要更仔細挑模型。
常見問題
遷移學習一定要微調全部參數嗎？
不一定，有時只改最後幾層就夠。
它只適合影像嗎？
不只，文字、語音、推薦系統都很常用。
資料很少時一定要用嗎？
多數情況值得先試，但還是要看原始任務和目標任務是否接近。
iPAS 考試出題分析
根據歷年 iPAS AI 應用規劃師考古題統計，遷移學習 相關題目 平均佔 AI 技術類考題 2%， 屬於未分類考範圍。
常見出題方向包含：遷移學習的演算法原理與效益（佔 40%）、預訓練模型與微調策略的技術細節（佔 35%）、遷移學習的應用場景與實務（佔 25%）。
範例考題
某 AI 科技公司在工業缺陷檢測領域已有成熟的辨識產品經驗。現欲與新客戶合作開發一項類似產品的表面瑕疵檢測系統，但因新產品量產不久，標註樣本極為稀少且專家標註成本高昂。在不大幅增加標註預算的前提下，利用該公司既有的技術優勢來提升模型表現？
- A. 增加模型參數規模，使模型具備更強表達能力
- B. 透過資料增強（Data Augmentation）擴展影像變化，以提升模型穩定性
- C. 重新蒐集大量影像並進行完整人工標註
- D. 採用遷移學習（Transfer Learning），利用既有預訓練模型進行調整 ✓ 正確答案