التعلم بدون أمثلة (Zero-Shot Learning)
التعلم بدون أمثلة هو القدرة على نموذج التعلم الآلي على التعامل بشكل صحيح مع المهام أو تصنيف المدخلات من الفئات التي لم تُعرض أثناء التدريب، من خلال الاستفادة من العلاقات الدلالية المكتسبة والمعرفة المسبقة الموسعة.
التعلم بدون أمثلة (ZSL) هو نموذج تعليم آلي يقوم فيه النموذج بمعالجة المهام بنجاح أو تصنيف العناصر التي تنتمي إلى فئات لم يلقها أثناء التدريب. بدلاً من حفظ أمثلة فئة محددة، يستفيد النموذج من المعرفة الهيكلية—الأوصاف الدلالية أو متجهات الخصائص أو تضمينات اللغة—لسد الفجوة بين الفئات المرئية والفئات المستهدفة غير المرئية.
عادة ما تمثل أساليب ZSL فئات التدريب والفئات المستهدفة غير المرئية كنقاط في فضاء تضمين دلالي مشترك. يخطط مصنف بصري صورة إلى هذا الفضاء ويحدد تمثيل الفئة الأقرب، حتى لو كانت تلك الفئة لم تحظَ بأي صور تدريب. تحقق نماذج اللغات الكبيرة المدربة مسبقًا أداءً بدون أمثلة من خلال مسار مختلف: التدريب المسبق على مجموعات نصوص ضخمة يشفّر معرفة واسعة بالعالم، وموجه معطى بشكل جيد وحده كافٍ لاستخراج السلوك الصحيح على مهام جديدة دون أي أمثلة إضافية.
القيمة العملية لـ ZSL كبيرة في المجالات حيث تكون البيانات المسمّاة نادرة أو مكلفة—معالجة الصور الطبية أو تحديد الأنواع النادرة أو معالجة اللغات منخفضة الموارد. بالنسبة للمؤسسات التي تنشر الذكاء الاصطناعي للأغراض العامة، تقلل قدرة التعلم بدون أمثلة من التكلفة والوقت المطلوب للتعامل مع أنواع مهام جديدة بالقضاء على الحاجة إلى مجموعات بيانات منسقة لكل واحدة.
اعتبارًا من عام 2026، تُظهر نماذج الحدود مثل GPT-4o (OpenAI) و Claude 3.5 و 3.7 (Anthropic) و Gemini 1.5 و 2.0 (Google) أداءً قويًا بدون أمثلة عبر مجموعة واسعة من المعايير، غالبًا ما تطابق أو تتفوق على نماذج متخصصة مضبوطة دقيقة من قبل بضع سنوات. أصبح النقل بدون أمثلة متعدد الأنماط—باستخدام وصف نصي لتصنيف الصور أو الصوت—محور تقييم قياسي، كما هو موضح في CLIP (OpenAI، 2021) والعديد من خليفتها.