零样本学习 (ZSL) 使人工智能模型能够执行任务或识别它们从未明确训练过的类别，从而显著扩大了它们的适用性。与传统的监督学习不同，后者需要每个类别或任务的标记示例，ZSL 利用已见数据和未见数据之间的语义关系或共享属性。例如，一个经过训练可以识别“狗”和“猫”等动物的模型，可以通过理解基于文本或属性的描述（例如，“类似于狗但野生的”）来推断“狼”的存在。这种方法减少了对大型标记数据集的依赖，使人工智能系统更能适应新场景，而无需进行昂贵的重新训练。像 OpenAI 的 CLIP 这样的工具通过使用自然语言提示将图像分类为新类别来证明这一点，从而绕过了对特定任务训练数据的需求。
ZSL 推动研究朝着更好的语义表示和跨模态理解方向发展。通过关注模型如何泛化知识，开发人员正在设计将输入（例如，图像、文本）映射到概念之间的关系得以保留的共享嵌入空间的架构。例如，在自然语言处理中，像 GPT-3 这样的模型可以通过利用训练数据的上下文来回答关于未见主题的问题，即使没有直接的例子。这种转变鼓励了优先考虑可转移特征而不是特定任务调整的方法。研究人员还在探索混合方法，将 ZSL 与少样本学习相结合，以处理可用未见类别的最小示例的情况。这些进步在医疗保健等领域尤其具有影响力，在这些领域，无需进行详尽的数据收集即可解决罕见疾病或新兴数据类型（例如，新的医学成像模式）。
然而，ZSL 引入了塑造正在进行的研究的挑战。一个关键问题是域转移：在某些数据分布上训练的模型在应用于不同的上下文时可能会遇到困难。例如，如果 ZSL 模型训练在日常对象上，而它们的属性描述缺乏精确性，则可能无法识别专门的工业零件。为了解决这个问题，研究人员正在通过元学习（训练模型以快速适应）和对抗训练（在训练期间将模型暴露于不同的场景）等技术来提高鲁棒性。另一个重点是提高语义嵌入的质量，例如使用知识图来编码概念之间的层次关系。这些努力旨在使 ZSL 在现实世界的应用中更加可靠，例如识别新型有害内容的内容审核系统或适应不熟悉物体的机器人。通过应对这些挑战，ZSL 继续扩大人工智能系统在有限监督下可以实现的范围。