搜尋意圖： 如果你在找「自監督學習 是什麼」或「自監督學習 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： 從未標注資料中自動建立監督信號以訓練模型的學習範式，無需人工標注。
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。
從未標注資料中自動建立監督信號以訓練模型的學習範式，無需人工標注。
自監督學習（Self-supervised Learning）近年來成為人工智慧研究中最重要的學習範式之一，尤其是在大型語言模型（LLM）與電腦視覺基礎模型的成功背後，自監督學習扮演了關鍵角色。
核心思想
傳統監督學習依賴大量人工標注的資料（如每張影像都要標記類別），但標注工作昂貴且耗時。無監督學習雖不需標注，但訓練目標模糊，學到的表示往往泛化能力不足。自監督學習的創新在於：從未標注的原始資料中，自動設計一個「藉口任務」（Pretext Task）：利用資料自身的部分資訊來預測資料的另一部分，從而產生訓練信號。這個過程無需人工介入，卻能引導模型學習到豐富的語意表示。
代表性方法
自監督學習在不同模態中發展出各具特色的設計：
自然語言處理領域
- 遮罩語言建模（Masked Language Modeling, MLM）：BERT 的核心預訓練任務，隨機遮住輸入句子中 15% 的詞，要求模型預測被遮住的詞。
- 自回歸語言建模（Autoregressive LM）：GPT 系列的訓練方式，要求模型依序預測下一個詞，利用文字的自然順序作為監督信號。
- 句子順序預測（Sentence Order Prediction）：判斷兩段文字的前後順序是否正確。
電腦視覺領域
- 對比學習（Contrastive Learning）：SimCLR、MoCo 等方法，對同一張影像做兩種不同的隨機增強，讓模型學習「同一張圖的不同視角應映射到相近的表示空間，不同圖應映射到遠端」。
- 遮罩影像建模（Masked Image Modeling）：MAE（Masked Autoencoders）隨機遮住影像的大部分像素（通常 75%），要求模型重建被遮住的部分。
- 圖像旋轉預測：預測影像被旋轉了幾度（0°/90°/180°/270°）。
多模態領域
- CLIP（Contrastive Language-Image Pretraining）：利用大量（圖像、文字說明）配對資料，訓練圖像編碼器與文字編碼器使對應配對的表示相似、非配對的表示相異。
預訓練與微調的兩階段範式
自監督學習通常分為兩個階段：
- 預訓練（Pretraining）：在大規模未標注資料上進行自監督訓練，讓模型學習通用的表示能力。
- 微調（Fine-tuning）：在少量標注資料上針對特定下游任務進行監督訓練，利用預訓練學到的表示加速收斂並提升性能。
這種範式的核心價值在於：網際網路上存在海量的未標注文字、圖像、影片資料，自監督學習使我們能夠充分利用這些資源，而無需付出高昂的人工標注成本。
與相關概念的區別
- 自監督學習 vs. 半監督學習：半監督學習同時使用少量有標注資料與大量無標注資料；自監督學習在預訓練階段完全不使用人工標注。
- 自監督學習 vs. 無監督學習：無監督學習的目標通常是聚類或密度估計，沒有明確的預測任務；自監督學習有明確的預測目標（只是標籤由資料自動生成）。
- 自監督學習 vs. 遷移學習：自監督學習是一種預訓練方式，遷移學習是一個更廣義的概念，指將在一個任務上學到的知識遷移到另一個任務，自監督預訓練是實現遷移學習的重要手段之一。
重要性與影響
現代最成功的 AI 系統，無論是 GPT-4、Claude 等大型語言模型，還是 CLIP、DINO 等視覺基礎模型，其核心能力都源自大規模自監督預訓練。Yann LeCun 曾形象地將自監督學習比喻為「智慧的黑暗物質」，認為它是通往通用人工智慧的重要路徑。
中英對照與常見說法
| 說法 | 出現場合 |
|---|---|
| 自監督學習 | 台灣正式用語 |
| 自监督学习 | 簡體寫法 |
| Self-Supervised Learning | 英文原名 |
| SSL | 縮寫，注意這個縮寫在資安領域另指加密協定 |
| 自我監督學習 | 常見變體 |
跟監督式、非監督式的關係
| 監督式 | 自監督式 | 非監督式 | |
|---|---|---|---|
| 標籤從哪來 | 人工標註 | 從資料本身自動構造 | 沒有標籤 |
| 訓練形式 | 預測標籤 | 預測標籤（只是標籤是造出來的） | 找結構 |
| 典型產出 | 任務模型 | 通用表示，之後再微調 | 分群、降維結果 |
自監督式常被歸在非監督式底下，因為兩者都不需要人工標註。但它的訓練形式其實是監督式的：有明確的預測目標與損失函數，只是那個目標是從資料裡挖出來的。這也是它效果好的原因，它同時拿到了「不用標註」與「有明確訓練訊號」兩個好處。
常見的前置任務
文字：遮住句中部分詞讓模型猜回來（BERT 的做法）、預測下一個詞（GPT 系列的做法）。現在的大型語言模型預訓練全部屬於這一類。
影像的對比式方法：同一張圖做兩種不同的隨機變換，要求模型把兩者的表示拉近，同時把不同圖的表示推遠。代表方法有 SimCLR、MoCo。關鍵在於資料增強要夠強，增強太弱模型可以靠顏色或紋理走捷徑，學不到語意。
影像的生成式方法：遮住影像的一部分讓模型還原，代表是 MAE（Masked Autoencoder），遮住的比例常常高達 75%。
多模態：用圖文配對訓練，讓對應的圖與文在同一個空間裡靠近，CLIP 是代表。這類方法的訓練訊號來自資料的天然配對關係，同樣不需要人工標註。
為什麼它是現在的主流
資料規模的門檻不一樣。 人工標註的資料以百萬計就很了不起，未標註的資料以十億計。基礎模型能力的躍升，主要來自能吃下後者。
學到的表示比較通用。 監督式訓練學到的是「怎麼分辨這幾個類別」，容易只抓到區分那幾類需要的特徵。自監督式的目標更難也更全面，學到的表示換到別的任務上仍然好用。
標準流程是自監督預訓練加上少量標註微調：預訓練吃掉大部分算力並學會通用表示，微調只需要幾百到幾千筆標註就能達到不錯的表現。這也是它在醫療影像、工業檢測這類標註昂貴的領域特別有價值的原因。
常見問題
自監督學習和無監督學習有什麼不同？
這兩個概念常被混淆，但有本質區別。無監督學習通常指聚類（K-means）、密度估計或降維等沒有明確預測目標的方法，是在「無監督」的情況下尋找資料的內在結構。自監督學習則有明確的預測任務：只是這個任務的標籤是從資料本身自動生成的，而非人工標注。例如 BERT 預測被遮住的詞、MAE 重建被遮住的影像區域，這些都是明確的有監督預測問題，只是監督信號來自資料本身而非人工標注員。因此，自監督學習在技術實現上更接近監督學習，但在資料需求上更接近無監督學習。
為什麼 BERT 和 GPT 都屬於自監督學習，但訓練方式不同？
BERT 和 GPT 確實都是自監督預訓練模型，但採用了不同的「藉口任務」設計：BERT 使用遮罩語言建模（MLM），隨機遮住句子中的部分詞彙，要求模型同時參考左右兩側的上下文來預測被遮住的詞，屬於「雙向」語言模型，適合需要理解全文語境的任務（如文字分類、問答）。GPT 則採用自回歸語言建模（Causal LM），訓練模型依序預測下一個詞，只能看到左側歷史，屬於「單向」語言模型，更適合文字生成任務。這兩種設計各有優劣，選擇哪種取決於下游任務的性質。
自監督學習有沒有什麼限制或缺點？
自監督學習雖然強大，但並非沒有挑戰。第一，藉口任務的設計需要領域知識和大量實驗，不同的預訓練任務對下游任務的遷移效果差異很大；第二，預訓練通常需要極大規模的運算資源（大量 GPU 和能源消耗），對一般研究者而言門檻很高；第三，雖然不需要人工標注，但預訓練語料本身若存在偏見（Bias），模型就可能學到並放大這些偏見；第四，自監督學習能學到良好的通用表示，但在某些高度專業化的小型任務上，針對任務設計的監督學習方法有時仍能取得更好的效果。