上下文学习
In-context Learning
模型不改变权重，仅凭当下给出的示例或对话，当场学会完成新任务的能力
简单来说
上下文学习是指AI模型无需另外重新训练，仅凭当前对话或给出的示例，就能当场模仿学会新技巧的能力。
打个比方，与其让新员工接受数月的培训课程，不如在旁边示范一次操作，员工立刻就能照着做。这时员工本身的能力并没有变化——只是参考刚看到的内容当场模仿而已，一旦忘记那次示范，就得从头再学。AI也是同样的道理。模型内部储存的知识数值（称为权重）完全没有被改动，只是浏览了当下屏幕上出现的示例或说明，就给出了那一刻的答案。
机器人领域出现过一个引人注目的案例。让机械臂只看一次12秒的视频，演示把积木扫进碗里的动作，机器人无需额外训练就立刻照做了。开发方表示，这种能力并非刻意设计进去的功能，而是在用海量数据持续训练的过程中自然浮现出来的。给聊天AI在对话框里写几个示例，它便能立刻抓住规律作答，也是同样的原理。
在报道中是这样出现的
文章提到，机器人只看一段演示视频就能立刻完成新动作，是用上下文学习来解释的，并指出"既没有为促进上下文学习而做的架构改动，也没有元学习循环"。与常见的误解不同，这种能力并非专门设计加入的功能，而是经过长期大量数据训练后自然浮现出来的现象。
亲手试一试
在聊天机器人对话框里先给出如下两三条规则，再提出新问题，就能看到模型无需重新训练便直接沿用该规律作答。
苹果 -> Apple 香蕉 -> Banana 葡萄 ->
这样输入后，模型不会随便说出一个自己知道的英文单词，而是当场领会刚才两个示例中的规律（把水果名翻译成英文），回答Grape。就算把示例换成完全不同的规则，模型也会立刻跟上新规则——这就是上下文学习。