快速回答
Transfer Learning（遷移學習）是把一個任務學到的知識「搬」到另一個任務使用的 AI 技術。這是現代 AI 最重要的概念之一——ChatGPT、Claude、Stable Diffusion 能如此強大，背後都靠遷移學習。
白話解釋
你學了 10 年鋼琴，然後去學吉他。你不需要從「什麼是音符」重新學起——你已經會讀譜、懂和弦理論、有節奏感。這些「可遷移的知識」讓你學吉他的速度快得多。
AI 的遷移學習也是一樣：
- 預訓練（Pre-training）：花巨額費用在海量資料上訓練一個通用模型（學鋼琴 10 年）
- 微調（Fine-tuning）：用少量專業資料讓模型學會特定任務（轉學吉他）
為什麼遷移學習這麼重要？
| 從零訓練 | 遷移學習 |
|---|---|
| 需要巨量資料（TB 級） | 少量資料即可（MB-GB 級） |
| 訓練成本天文數字（數百萬美元） | 成本低（幾百到幾千美元） |
| 需要頂級 GPU 叢集 | 一張消費級 GPU 就行 |
| 訓練時間數週到數月 | 幾小時到幾天 |
| 效果不一定好 | 通常效果更好 |
遷移學習的方法
Feature Extraction（特徵提取）
凍結預訓練模型的所有層，只換最後一層來適應新任務。最省資源但彈性最低。
Fine-tuning（微調）
解凍部分或全部層，用新資料重新調整權重。最常用的方法，效果通常最好。
LoRA（低秩適應）
不改原始權重，加入少量可訓練參數。成本只需傳統 Fine-tuning 的 1/10。2026 年最流行的方法。
實際應用
- LLM 客製化：用 Fine-tuning 讓 LLM 學會你的專業領域用語
- 醫療影像：用 ImageNet 預訓練的模型遷移到 X 光判讀
- 多語言 NLP：英文預訓練的 BERT 遷移到繁體中文
- 圖像生成：用 Stable Diffusion 基礎模型 Fine-tune 特定風格
安全提醒：使用來路不明的預訓練模型有風險——可能包含後門攻擊或資料投毒。務必從可信來源（如 Hugging Face 官方模型）下載模型，並驗證模型的完整性。
常見問題 FAQ
Transfer Learning 和 Fine-tuning 有什麼關係？
Fine-tuning 是 Transfer Learning 最常見的實作方式。Transfer Learning 是概念，Fine-tuning 是方法。
為什麼 Transfer Learning 這麼重要？
從零訓練大型模型需要天文數字的資料和費用。Transfer Learning 讓你用少量資料和普通硬體就能得到好效果。
LoRA 和 Transfer Learning 有什麼關係？
LoRA 是一種高效的 Transfer Learning 方法，加入少量可訓練參數，成本降低到 1/10 以下。
什麼時候不該用 Transfer Learning？
當新任務和原始任務差異太大時，可能發生「負遷移」，效果反而更差。
Hugging Face 和 Transfer Learning 有什麼關係？
Hugging Face 是全球最大的預訓練模型平台，大幅降低 Transfer Learning 的門檻。
Transfer Learning 有安全風險嗎？
有。來路不明的模型可能包含後門或偏見。務必使用可信來源的模型。