搜尋意圖： 如果你在找「多任務學習 是什麼」或「多任務學習 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 多任務學習是一種機器學習方法，旨在同時訓練一個模型來執行多個相關任務，以提升模型的泛化能力和效率。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
你有沒有想過，一個模型能不能同時學會幾件相關的事？ 你可以把它想成同一個學生一起學作文、閱讀、和摘要，讓不同任務互相幫忙。 當任務彼此有關時，共用表示通常能省資料、提泛化，也能讓模型學到更通用的特徵。 這也讓它很適合先拿到可用答案，再慢慢把精度往上推。
容易混淆
多任務學習 vs 遷移學習 多任務學習：同一時間學多個任務 遷移學習：先學一個，再拿去學另一個 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
多任務學習 vs 多模型 多任務學習：一個模型共享底層表示 多模型：每個任務各自訓練，資源更分散 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
記住這句就好
相關任務一起學，常比單獨學更省力。
實際案例
客服 NLP 同一套模型同時做意圖辨識、情緒判斷、和關鍵資訊抽取，整體流程更快。
醫療文書 一個模型同時判斷疾病分類與症狀抽取，因為兩個任務都在看同一份病歷。
算法與應用
多任務學習最怕負遷移，任務不相干時，共享參數反而會互相干擾。 常見做法有硬共享、軟共享、和任務專屬頭。 好的設計會讓主幹學共通表示，尾端保留每個任務自己的細節。
情境判斷
Q1（直覺題）： 你有分類、抽取、摘要三個任務，而且資料彼此相關，最像什麼策略？
Q2（判斷題）： 如果其中一個任務非常奇怪，和其他任務差很多，還硬放一起學，風險是什麼？
常見問題
多任務學習一定比較好嗎？
不一定，任務相關才有機會互利。
共享越多越好嗎？
也不是，共享太多會讓任務細節被沖淡。
它和集成學習一樣嗎？
不一樣，集成是多個模型投票，多任務是單一模型一起學。