即使从未见过斑马的孩子，只要被告知斑马长得像带条纹的马，也能认出它来。零样本学习要求机器做类似的事情：利用属性描述或语​​义关系等辅助信息，处理它们从未接受过训练的类别或任务。

在图像分类中，一个零样本模型可能只训练过猫和狗的图像，但却被要求识别狼。如果模型已经学习了“有毛”、“有尖耳朵”和“群居”等属性，它就可以将这些属性组合成狼的特征，而无需实际观察过狼。连接已见类别和未见类别的桥梁通常是共享的语义空间，这个空间通常由文本描述或知识图谱构建而成。

为什么这很重要

• 新类别层出不穷，给它们贴标签却很慢。
• 有些类别的样本稀少，或者根本无法大规模采集。
• 现在，大型语言模型仅凭提示就能执行许多零样本任务。
• 它降低了将模型部署到新领域的成本。

在大多数基准测试中，零样本学习的性能仍然落后于监督学习。当辅助描述信息丰富且未见过的类别与训练分布接近时，这种差距会缩小。当两者相距甚远时，模型的预测结果往往不准确，而且常常过于自信。