小样本学习

小样本学习（Few-shot Learning）是一种机器学习方法，旨在通过极少量的训练样本完成模型的学习和部署。在工业智能领域，小样本学习算法正成为2026年最核心的技术杠杆之一，特别是在工业视觉质检和产品生命周期管理（PLM）中。

关键特性

• 低样本依赖：只需极少量的缺陷样本即可完成新产线的质检模型部署。
• 解决过拟合瓶颈：有效解决传统深度学习在多类别、小批量柔性制造任务中容易遇到的过拟合瓶颈。
• 部署效率提升：部署效率提升数倍。

工业应用

以[[旷视科技]]为代表的CV算法领军企业，通过预归类样本简化AI学习过程，将小样本学习算法融入PLM质量管理模块，使制造企业能够快速完成新产线的质检模型部署。

与相关概念的关系

• [[工业智能]]：小样本学习是工业AI从“概念验证”走向“好用、常用”的关键技术杠杆。
• [[工业智能体]]：小样本学习能力使工业智能体能够更快适应新的生产任务。