真正的金博宝188欢迎您新手怎么玩，在于能否基于有限的数据，实现可靠的泛化与迁移。

作者丨张璐

编辑丨岑峰幸丽娟

高质量标注数据快用完了，算力贵得离谱，黑盒依然无解。

大金博宝188欢迎您新手怎么玩时代信奉的 Scaling Law，正在面临多重瓶颈。继续浏览总的来说

更麻烦的是另一件事：很多任务天生就没有大数据——药物研发、冷启动推荐、科学探索。同题参见这些不是技术的短板。是世界的常态。

在IJCAI 2026大会的 Early Career Spotlight（早期职业焦点）环节，北京雁栖湖应用数学研究院（BIMSA）副教授王雅晴，给这些问题做出了系统回应。同题参见

王雅晴长期从事小样本金博宝188欢迎您新手怎么玩与 AI for Science 研究。她博士毕业于香港科技大学，曾任百度研究院资深研究员，现任北京雁栖湖应用数学研究院（BIMSA）副教授。贯穿其研究经历的一条主线是：如何提高 AI 对有限数据与经验的利用效率，使其在监督稀缺的场景下仍能实现可靠的泛化、适应与决策。

她在题为《迈向高效数据金博宝188欢迎您新手怎么玩：从少样本金博宝188欢迎您新手怎么玩到金博宝188欢迎您新手怎么玩体系统》（Toward Data-Efficient Intelligence: From Few-Shot Learning to Agentic Systems）的演讲中，梳理了从小样本金博宝188欢迎您新手怎么玩、元金博宝188欢迎您新手怎么玩、上下文金博宝188欢迎您新手怎么玩，到最新提出的“数据高效金博宝188欢迎您新手怎么玩体金博宝188欢迎您新手怎么玩”（Data-Efficient Agentic Learning, DEAL）的完整演进脉络。

她的核心洞察是：人类金博宝188欢迎您新手怎么玩从极少样本中完成泛化，靠的是基因、文化与经验三重先验的支撑，而 AI 同样可以。

更关键的是，她还从理论层面进一步证明了，在所研究的任务与金博宝188欢迎您新手怎么玩设定下，In-Context Learning 可以被理解为一种数据依赖的元金博宝188欢迎您新手怎么玩。Transformer通过自注意力机制，将传统元金博宝188欢迎您新手怎么玩中显式的适配过程内化为隐式计算。从而实现了“殊途同归”。这一发现为大金博宝188欢迎您新手怎么玩的少样本能力提供了坚实的理论解释。

数据稀缺问题变而当AI从单步预测走向多步交互与长程决策，得更加严峻。她与合作者提出了 DEAL 框架，从经验增强、架构设计与高效金博宝188欢迎您新手怎么玩范式三个方向，系统应对金博宝188欢迎您新手怎么玩体面临的“数据沙漏”瓶颈。其中一条核心思路，就是利用结构化先验，从而在真实世界走得更远。让 AI 在有限经验中实现可靠和泛化，

科学与工业的现实：

天然缺乏大数据的场景

当下，究竟还能走多远？行业已习惯这套路径：更大规模的数据、更多参数量，叠加持续增长的算力，即可推高金博宝188欢迎您新手怎么玩的泛化上限。另外但这条规模扩张的路径，Scaling Law几乎成为行业共识。在Transformer与监督金博宝188欢迎您新手怎么玩范式下，

以行业对GPT-4的估算为例，训练数据如果印成纸质书，排起来能绵延 650 公里；所需的计算量，相当于一台普通的单核笔记本电脑连续运转 700 万年；而它等效参数的量级，足足可以铺满 3 万个标准足球场。

这种靠规模堆叠获得的泛化能力固然惊人，边际收益与代价的平衡点究竟在哪里？但若继续沿着同一条曲线外推，

算力成本让多数科研团队难以为继，高质量语言数据正被快速耗尽，黑盒参数带来的不可解释性也始终未解。

我们又该如何破局？我们不得不直面两个更为根本的现实问题：当任务本身天然缺乏大规模数据支撑时，该如何应对？当数据真正的关键价值恰恰集中在长尾分布上时，跳出大金博宝188欢迎您新手怎么玩参数与算力的军备竞赛，

以药物研发（Drug Discovery）为例，经过临床前、三期临床，耗时十几年、花费数十亿美元，根本无法通过数据库穷举。一款新药从早期筛选的成千上万个化合物，在化学空间里，潜在的类药小分子高达10³³～10⁶⁰。最终往往只有 1 个分子能成功获批。

而是科学探索本身固有的规律——所谓“海量数据”，带标注的数据天然极度稀缺。这种稀缺性并非技术发展暂时的短板，在这一漫长而严苛的筛选过程中，根本无从等待。

再比如推荐与搜索。其实虽然整个平台沉淀的数据池很庞大，但每天都有全新的用户和物品涌入。从完全没有交互的冷启动期，到只有零星几次点击的预热期，高质量标注同样极难获取。

业务不可能等它积累了几百次点击才开始分发，系统必须在极少量的初始观测下，通过高效的增量金博宝188欢迎您新手怎么玩（Incremental Learning）迅速把特征抓准。

都指向了同一个命题：这两个看似不同的领域，如何实现数据的高效利用（Data-Efficient Intelligence）。

并依靠经验风险最小化（ERM）来进行优化。但真实世界的数据分布是未知的，只能退而求其次，通过手头仅有的样本去算经验风险，回到机器金博宝188欢迎您新手怎么玩的底层。我们原本追求的是最小化期望风险，

在标准机器金博宝188欢迎您新手怎么玩中，这样做是没问题的；但一旦样本量极小，这种经验风险估计就会变得极其不可靠。如果仅依赖这极少的样本。金博宝188欢迎您新手怎么玩将不可避免地陷入过拟合。

如何在极有限的观测下跳出这种不可靠的估计、实现精准泛化？这正是小样本金博宝188欢迎您新手怎么玩必须回答的核心问题。那么，

先验知识，如何应对数据稀缺

面对极有限的样本，AI究竟该如何完成泛化？人类认知提供了重要参照。

随后在现实中偶遇从未见过的犬种时，以人类的认知发育为例：一个三岁的小孩只要在卡片上看了一两次小狗的特征。就能立刻准确识别。

为什么人类能做到这点？因为人类金博宝188欢迎您新手怎么玩的底层。有着庞大的多层次先验知识（Prior Knowledge）在提供支撑。

▎具体而言，这种先验知识主要来自三个层面：

1.基因编码： 凝聚了人类数百万年生物进化沉淀下来的内在先验。

2.社会文化： 人类共同生活数百年乃至上千年，沉淀为不同金博宝188欢迎您新手怎么玩与民族的文化背景。

3.个体经验： 每个人独特的成长轨迹，进一步塑造了各自独特的认知与行为方式。

利用先验知识去弥合机器与人类能力之间的鸿沟，这是我们一直以来的愿景。

▎先验知识主要从三个维度介入并降低金博宝188欢迎您新手怎么玩误差：从统计金博宝188欢迎您新手怎么玩理论的形式化视角来看，

数据层面（Data）： 借助先验规则生成或扩充样本，把稀疏的数据空间补齐；
金博宝188欢迎您新手怎么玩层面（Model）： 引入归纳偏置（Inductive Bias）来约束假设空间H的复杂度，比如处理图像时选择卷积算子，利用局部平移不变性减少参数自由度；
算法层面（Algorithm）： 利用先验改变在参数空间里的搜索策略，并指引梯度下降的方向。找到更好的初始化起点，

也可以是预训练金博宝188欢迎您新手怎么玩中固化的参数权重，先验的形态已极为丰富：既可以是相关领域的先验数据，那么什么样的信息可被视为先验？在大金博宝188欢迎您新手怎么玩时代，既然先验知识如此关键。还可以是物理定律与数学公理。

将这些先验与新任务极少量的支持集一并送入适配机制，金博宝188欢迎您新手怎么玩即可在下游任务上快速完成精准推理。

从元金博宝188欢迎您新手怎么玩到 In-Context Learning：

殊途同归的理论统一

回看近年学术演进，从小样本金博宝188欢迎您新手怎么玩到数据高效金博宝188欢迎您新手怎么玩，到大金博宝188欢迎您新手怎么玩时代的上下文金博宝188欢迎您新手怎么玩（In-Context Learning），核心技术路线经历了清晰迭代：从早期元金博宝188欢迎您新手怎么玩（Meta-Learning），再到前沿的数据高效金博宝188欢迎您新手怎么玩体金博宝188欢迎您新手怎么玩（Data-Efficient Agentic Learning）。

元金博宝188欢迎您新手怎么玩都是小样本金博宝188欢迎您新手怎么玩最核心的内容。其基本哲学是：训练条件必须与测试条件对齐。若期望金博宝188欢迎您新手怎么玩在测试阶段仅凭少量样本完成新任务，在很长一段时间里，训练阶段就必须大量使用“仅含少量样本”的任务进行反复训练。

▎在具体实现上，主要形成了三大主流技术路径：

基于摊销/黑盒（Amortization-based）： 用黑盒编码器直接将支持集映射为特定任务的预测权重。
基于度量（Metric-based）： 金博宝188欢迎您新手怎么玩一个通用的语义嵌入空间。在新任务上直接比对样本间的距离；
基于优化（Optimization-based）： 金博宝188欢迎您新手怎么玩如何寻找最优初始参数与更新策略，用极少步数的梯度下降快速微调；

这一局面在2020年发生了根本转变。GPT-3论文《Language Models are Few-Shot Learners》的公布。使In-Context Learning（ICL）迅速成为焦点。

我们发现，金博宝188欢迎您新手怎么玩无需调整任何网络参数，仅需在Prompt中明确指令并加入一两个示例（Few-shot Prompting），即可在前向传播中直接完成任务适配并生成答案。

但若将二者置于统一的任务适配视角下审视，当时不少人将其视为某种“金博宝188欢迎您新手怎么玩涌现”，就会发现它们在本质上是同源的。与此同时

二者均源自对多任务分布的预先金博宝188欢迎您新手怎么玩，在Transformer的前向传播中隐式完成机制自适应。最终目标都是实现任务适配。唯一的本质差异在于适配发生的位置：元金博宝188欢迎您新手怎么玩依赖显式算法机制进行参数更新；而ICL则将任务信息作为上下文，

为从数学与机制层面厘清二者关系，我们的研究团队在ICLR 2025的一项研究中开展了系统的理论分析与实验验证。

在线性回归与分类任务上，我们将ICL与主流元金博宝188欢迎您新手怎么玩方法组织了严格对比，结果发现，动态选择最合适的适配规则。ICL 能精准复现对应的元金博宝188欢迎您新手怎么玩算法；而在面对混合任务族时，Transformer 的 ICL 能够等价表示基于梯度、基于度量和基于摊销的元金博宝188欢迎您新手怎么玩过程；在单任务族上，ICL 甚至学会了根据当前输入数据的特征，在参数合适的情况下，

换言之，In-Context Learning本质上是一种数据依赖的元金博宝188欢迎您新手怎么玩（Data-dependent Meta-Learning）。

大金博宝188欢迎您新手怎么玩并未脱离经典机器金博宝188欢迎您新手怎么玩理论，将以往分散的元金博宝188欢迎您新手怎么玩能力内化为一种通用的隐式计算过程。而是以极大的金博宝188欢迎您新手怎么玩容量与自注意力机制，

从预测走向行动：

数据高效金博宝188欢迎您新手怎么玩体金博宝188欢迎您新手怎么玩（DEAL）

如今，AI的能力边界正在发生根本转变。

演进为多步交互、长程决策的行动者。到内容生成与多轮对话，再到工具调用与跨系统协作，直至今天能够面对复杂目标、自主规划并在长达数小时周期内持续行动的金博宝188欢迎您新手怎么玩体，AI已从单次输入输出的预测工具，从最初的分类预测，

数据稀缺问题非但没有消失，但当金博宝188欢迎您新手怎么玩开始与真实世界交互时。反而变得更为严峻。

“数据高效金博宝188欢迎您新手怎么玩体金博宝188欢迎您新手怎么玩”（Data-Efficient Agentic Learning, DEAL）这一概念应运而生。于是，

“数据”的内涵已发生改变。它不仅包含外部的人类标注与专家示范（D_ext），以公式 D = D_loop ∪ D_ext 为例：在金博宝188欢迎您新手怎么玩体场景下，更包含金博宝188欢迎您新手怎么玩体在环境闭环中产生的全部轨迹（D_loop）：环境反馈、真实动作、奖励信号与失败教训。

这些信息无法由金博宝188欢迎您新手怎么玩凭空生成，且环境持续漂移，获取成本高昂、试错代价极大，使金博宝188欢迎您新手怎么玩体面临显著的“数据沙漏”瓶颈。

▎为在极其有限的数据预算下构建强大金博宝188欢迎您新手怎么玩体，我们从三个方向提出了技术路径：

经验增强（Experience Augmentation）：提高有限交互轨迹中的信息密度与多样性；通过经验的生成与转换，
架构设计（Agent Structural Design）：减少对人类直接监督的依赖；打造结构化模块、流程自主与知识复用机制，
高效金博宝188欢迎您新手怎么玩范式（Learning Paradigm）： 在有限预算下，灵活选择针对性的 ICL 优化、小样本微调或预算高效的强化金博宝188欢迎您新手怎么玩（Budget-Efficient RL）。

这套框架使我们无需强迫金博宝188欢迎您新手怎么玩体收集海量人类轨迹，而是借助结构化机制，在有限数据预算内训练出高水平行动者。

结构化先验：

赋能金博宝188欢迎您新手怎么玩体与AI for Science

从最早的小样本分类，到今天的金博宝188欢迎您新手怎么玩体系统，我们坚守的始终如一：结构化先验使从有限经验中进行可靠金博宝188欢迎您新手怎么玩成为可能（Structured priors enable reliable learning from limited experience）。

其中，有两个方向是我们重点关注的：

获得更高的可解释性与稳定性。一是AI for Science。在数学、物理与生物医药领域，不仅能弥补湿实验数据的匮乏，更能帮助AI摆脱黑盒，将严谨的数学公式与物理定律作为先验融入金博宝188欢迎您新手怎么玩，

另一个，实现可靠的个性化协同。总的来说将人类行为先验注入系统，能使Agent在极短的冷启动周期内快速理解用户独特偏好，是工业级个性化金博宝188欢迎您新手怎么玩体。无论是金博宝188欢迎您新手怎么玩场景还是具身金博宝188欢迎您新手怎么玩，

最后，为凝聚该领域的研究者与工程师，王雅晴参与推动成立了IEEE 计算金博宝188欢迎您新手怎么玩学会神经网络技术委员会数据高效金博宝188欢迎您新手怎么玩体金博宝188欢迎您新手怎么玩专项工作组（IEEE CIS NNTC Task Force on Data-Efficient Agentic Learning，TF-DEAL）。

目前，工作组由清华大学姚权铭担任主席，BIMSA 王雅晴、英国布里斯托大学宋子星和澳大利亚墨尔本大学刘锋担任副主席，BIMSA 与清华大学赵沛尧担任 Workflow Chair。总的来说顾问委员会成员包括日本理化学研究所与东京大学的杉山将（Masashi Sugiyama）、北京大学林宙辰（Zhouchen Lin）、香港科技大学郭天佑（James T. Kwok）、香港中文大学金国庆（Irwin King），以及英国牛津大学Amir Hussain。

工作组将依托这一国际化组织团队，开展专题研讨、教程报告、学术竞赛与基准建设，推动数据高效金博宝188欢迎您新手怎么玩体金博宝188欢迎您新手怎么玩领域的国际交流与合作。也欢迎从事相关研究的学者、工程师和青年金博宝188欢迎您新手怎么玩加入 TF-DEAL，共同探索如何让人工金博宝188欢迎您新手怎么玩从有限经验中实现更可靠的泛化、适应与决策。一般来说金博宝188欢迎您新手怎么玩(公众号：金博宝188欢迎您新手怎么玩)

文献引用

[1]. Yaqing Wang, Quanming Yao, James T. Kwok, Lionel M. Ni. Generalizing from a Few Examples: A Survey on Few-Shot Learning. ACM Computing Surveys (CSUR). 2020.

[2]. Yaqing Wang, Abulikemu Abuduweili, Quanming Yao, Dejing Dou. Property-Aware Relation Networks for Few-Shot Molecular Property Prediction. Annual Conference on Neural Information Processing Systems (NeurIPS). 2021.

[3]. Yaqing Wang, Hongming Piao, Daxiang Dong, Quanming Yao, Jingbo Zhou. Warming Up Cold-Start CTR Prediction by Learning Item-Specific Feature Interactions. ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD). 2024.

[4]. Shiguang Wu, Yaqing Wang, Quanming Yao. Learning to Learn with Contrastive Meta-Objective. Annual Conference on Neural Information Processing Systems (NeurIPS). 2025.

[5]. Hongyi Nie, Yaqing Wang, Mingyang Zhou, Feiyang Pan, Quanming Yao, Zhen Wang. Adaptive Preference Arithmetic: Modeling Dynamic Preference Strengths for LLM Agent Personalization. Annual Conference on Neural Information Processing Systems (NeurIPS). 2025.

[6]. Shiguang Wu, Yaqing Wang, Quanming Yao. Why In-Context Learning Models are Good Few-Shot Learners? International Conference on Learning Representations (ICLR). 2025.

[7]. Shiguang Wu, Yaqing Wang, Quanming Yao. Searching to Modulate for Cold-Start Recommendation. IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI). 2026.

[8]. Yingjie Tan, Quanming Yao, Yaqing Wang. DGNet: Discrete Green Networks for Data-Efficient Learning of Spatiotemporal PDEs. International Conference on Learning Representations (ICLR). 2026.

IJCAI 2026 要来了，你还在单打独斗？

为了方便大家抱团交流、互通会议消息，我们专门建了 IJCAI 2026 参会群！进群你会解锁这些「福利」?

会议情报站：投稿 DDL、格式规范、评审进度……关键节点第一时间送达，投稿准备稳稳的。与此同时再也不怕错过 deadline，
同行茶话会：天南海北的同行都在群里，聊心得、碰思路、攒人脉，科研路上我们同行。
前沿补给站：最新研究成果、热点方向实时同步，结合会议主题帮你捋清投稿脉络，给论文灵感加满油。
现场后援团：（会议期间专属开启）：到了会场也不用慌——
路线导航：场馆分布、报告厅怎么走，群里随时问；
议题共读：热门 session、Keynote 现场探讨，错过也能追；
Poster 汇编：现场海报精华整理，一键收藏不遗漏；
约局广场：约饭局、采访局、交流局……想唠嗑、想合作、想面基，群里发起就成。