解析：
公司在工業缺陷檢測領域有成熟經驗，可利用既有的預訓練模型透過遷移學習（Transfer Learning）轉移到新產品的瑕疵檢測任務。這樣只需少量標註資料就能獲得良好效果，不需大幅增加標註預算。
搜尋意圖： 如果你在找「遷移學習 是什麼」、「遷移學習 會怎麼考」或「遷移學習 和相近概念差在哪」，先看這頁的定義、考點定位與延伸比較。
TL;DR： 遷移學習是將已在大數據集習得的知識，轉移應用至小數據集的新任務，藉此加速模型訓練
實用情境： 適合用在 iPAS 複習、面試快查與閱讀 AI 文章時快速校正概念邊界。
下一步： 先讀完定義，再往下看範例考題與延伸比較，把概念轉成可作答的判斷。
你有沒有發現，會一種樂器的人，學第二種通常更快？ 你可以把遷移學習想成「把已經學會的能力搬去新任務用」 模型不用從零開始，而是先借用舊任務學到的特徵，再針對新資料微調 這在資料少、算力有限時特別有用
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
遷移學習 vs 微調 遷移學習是整體策略 微調是常見做法之一 最關鍵的區別：大方向和具體手段
遷移學習 vs 多任務學習 遷移學習是先學 A 再用到 B 多任務學習是 A 和 B 一起學 最關鍵的區別：順序和並行
遷移學習 vs 從零訓練 遷移學習先借現成能力 從零訓練完全自己學 最關鍵的區別：有沒有預先學過
記住這句就好
先借現成能力，再把新任務調到位。
實際案例
醫療影像 用大規模通用影像預訓練模型，再拿少量 X 光資料調整，通常比從零開始更快收斂
客服分類 先用通用語言模型，再用公司自己的客服對話微調，能更快學會公司內部用語
算法與應用
| 預訓練模型 | 先在大資料上學通用特徵 | 這是起點 | | 微調 | 用新任務資料再訓練 | 把通用能力轉成專用能力 | | 凍結層 | 保留部分參數不動 | 資料少時很常見 | | 負遷移 | 舊知識反而干擾新任務 | 領域差太遠時要小心 |
中英對照與常見說法
| 說法 | 出現場合 |
|---|---|
| 遷移學習 | 台灣正式用語 |
| 迁移学习 | 簡體寫法 |
| Transfer Learning | 英文原名 |
| 轉移學習 | 常見變體 |
跟微調、領域自適應的關係
遷移學習是最上位的概念：把在一個任務上學到的知識用到另一個任務。
微調（fine-tuning） 是遷移學習最常見的實作手段：拿預訓練模型，用目標任務的資料繼續訓練。
特徵萃取（feature extraction） 是另一種手段：凍結預訓練模型當成特徵抽取器，只訓練最後的分類頭。
領域自適應（domain adaptation） 是特例：任務相同但資料分布不同（同樣是辨識瑕疵，但換了一條產線的相機）。
該凍結多少層
| 情況 | 建議 |
|---|---|
| 目標資料少，且跟原任務相似 | 凍住大部分，只訓練最後幾層 |
| 目標資料少，但跟原任務差很多 | 凍住淺層（通用特徵），重訓中後段 |
| 目標資料多，且跟原任務相似 | 全部微調，用小學習率 |
| 目標資料多，但跟原任務差很多 | 可以全部微調，甚至考慮從頭訓練 |
判斷邏輯是：淺層學的是通用的邊緣與紋理，換任務也適用；深層學的是任務專屬的概念，換任務就要重學。 資料越少越要凍得多，因為可訓練參數越多越容易過度擬合。
微調時學習率要比原本訓練時小一個數量級以上，否則預訓練學到的東西會在前幾個批次就被破壞掉。常見做法是分層設定學習率，越接近輸出的層學習率越大。
什麼時候不該用
負遷移（negative transfer） 是指遷移之後表現比從頭訓練還差。它在來源任務與目標任務差異太大時會發生，例如拿自然影像預訓練的模型去做頻譜圖或醫學斷層掃描，有時反而不如從頭訓練。
判斷方式很直接：同時跑一次從頭訓練當對照組。多數人省略這一步，於是永遠不知道遷移到底有沒有幫助。
另一個要注意的是輸入前處理必須跟預訓練時一致。影像的正規化平均值與標準差、輸入尺寸、色彩通道順序，任何一項對不上，預訓練權重的價值就大打折扣。這是實務上最常見卻最容易被忽略的錯誤。
情境判斷
Q1（直覺題）： 你手上只有幾百張標註圖片，還適合從零訓練嗎？
通常不適合，遷移學習會更實際。
Q2（判斷題）： 原任務和新任務差很遠，遷移學習一定有幫助嗎？
不一定，差距太大時可能出現負遷移，這時要更仔細挑模型。
常見問題
遷移學習一定要微調全部參數嗎？
不一定，有時只改最後幾層就夠。
它只適合影像嗎？
不只，文字、語音、推薦系統都很常用。
資料很少時一定要用嗎？
多數情況值得先試，但還是要看原始任務和目標任務是否接近。
iPAS 考試出題分析
遷移學習 屬於 中級 範圍，建議和相關概念一起複習，而不是只背單一名詞定義。
常見一起複習的方向包含：遷移學習的演算法原理與效益、預訓練模型與微調策略的技術細節、遷移學習的應用場景與實務。
範例考題
某 AI 科技公司在工業缺陷檢測領域已有成熟的辨識產品經驗。現欲與新客戶合作開發一項類似產品的表面瑕疵檢測系統，但因新產品量產不久，標註樣本極為稀少且專家標註成本高昂。在不大幅增加標註預算的前提下，利用該公司既有的技術優勢來提升模型表現？
- A. 增加模型參數規模，使模型具備更強表達能力
- B. 透過資料增強（Data Augmentation）擴展影像變化，以提升模型穩定性
- C. 重新蒐集大量影像並進行完整人工標註
- D. 採用遷移學習（Transfer Learning），利用既有預訓練模型進行調整 ✓ 正確答案