迁移学习（Transfer Learning）是机器学习中的核心方法论，指将一个领域（源域）学到的知识迁移到另一个相关领域（目标域），从而减少对目标域大量标注数据的依赖。
核心原理
人类学骑自行车后，学摩托车就快很多——大脑复用了平衡和操控的通用知识。迁移学习在 AI 中做同样的事：先在大型通用数据集上预训练模型，再在特定任务的小数据集上微调。
在 LLM 时代的体现
- 预训练：在海量互联网文本上训练基础模型
- 微调（Fine-tuning）：在特定领域数据上调整，让模型适应专业场景
- 指令微调（Instruction Tuning）：让模型学会遵循人类指令
- LoRA 等参数高效方法：只更新少量参数实现迁移，大幅降低成本
关键概念
源域（Source Domain）、目标域（Target Domain）、负迁移（Negative Transfer）。
为什么重要
没有迁移学习，就没有 GPT 系列的涌现能力。它是少数标注数据场景（医疗影像、法律文档等）的支柱技术。