零样本学习

从数据卡脖子到零样本推理：低空经济AI落地破局的隐性密钥

2024年以来，低空经济作为国内经济新增长点进入爆发期，截至2025年底，全国已有31个省份出台低空经济发展规划，eVTOL（电动垂直起降飞行器）商业试运行城市扩容至17个，低空安防、物流配送等日常作业场景的AI智能化需求也随之激增。但行业很快遇到了一个共性难题：突发任务场景的训练数据极度稀缺——城市突发内涝时，全新洪涝淹没区的无人机影像几乎没有标注样本；针对小众违规飞行物的识别，全行业标注样本也不足10例。很多人将破局希望寄托在小样本学习上，但很少有人注意到，作为小样本学习分支的零样本学习，正在成为这些极端数据匮乏场景中，打开AI落地空间的隐性密钥。

很多人容易混淆小样本学习和零样本学习的关系，根据IBM官方对n样本学习体系的定义，零样本学习本质上是小样本学习的极端分支——在该场景下，AI模型不需要任何标记训练样本，就能完成对全新类别的识别预测。对比普通AI需要数万甚至数十万标注样本才能完成训练，小样本学习需要数十到数百个标注样本就能达到可用精度，而零样本学习直接做到了“零标记样本也能推理”，这种特性刚好戳中了低空经济很多细分场景的痛点。

以目前已经商用化的低空无人机工业巡检场景来看，国内头部AI服务商科大讯飞已经将小样本学习策略落地到电力线路巡检、风电叶片巡检等工业质检领域，公开数据显示，引入小样本学习后，模型训练所需数据量降低到原来的五分之一，模型召回率提升19个百分点。但即便如此，在一些极端小众故障场景下，仍然连一个合格的标注样本都拿不出来：国内某电网企业统计过，偏远山区10kV线路的绝缘子隐形裂纹，10年累计出现的案例不足5例，根本拿不出足够样本甚至连一个标记样本都凑不齐，这种时候就只能靠零样本学习来解决问题——借助模型已经学到的通用特征空间，把“裂纹”“绝缘子”的语义信息和已有的其他部件缺陷特征迁移过去，不需要标记样本就能完成识别。

零样本学习并非凭空“无中生有”，它的技术逻辑植根于小样本学习已经商用化的四大路径。在目前已经落地的场景中，零样本学习大多沿用了小样本学习的度量学习思路：通过匹配网络、关系网络结合注意力机制，让同类特征在特征空间中聚拢、异类特征相互远离，不需要大量样本就能建立可靠的判别边界。这种思路放到零样本场景下，只需要把语义特征映射到同一个特征空间，就能让模型在没有见过标记样本的情况下，依靠语义关联完成分类。东南大学自动化学院李新德教授团队2026年3月最新被人工智能顶刊TPAMI接收的小样本学习研究成果，正是沿着这个方向拓展了零样本学习的理论空间——该研究将经典控制理论与小样本度量学习结合，进一步压缩了模型对标记样本的依赖，为极端零样本场景的落地提供了新的理论支撑。

为什么零样本学习对低空经济这类新兴行业特别重要？答案藏在新兴行业的标注数据困境里。新兴场景的AI落地，从来都不是先有海量标注数据再训练模型，而是边运营边收集数据，很多突发场景甚至永远不可能提前拿到标注数据。以2025年夏季南方多地洪涝灾害中的无人机应急测绘场景，当时多地出动了上千架次无人机进行洪涝淹没区的灾情研判，需要AI快速识别受灾房屋、淹没农田、被困人员的位置，但全新灾区的影像根本没有提前标注，传统AI模型根本无法直接使用。如果依靠人工标注，不仅耗时长达数天，还会错过应急救援的黄金时间，而零样本学习模型可以依靠已经学到的通用地貌、建筑特征，结合“洪涝淹没区”“受灾房屋”的语义信息，在零标注样本的情况下直接完成识别，把灾情研判的时间从几天压缩到几个小时，这个优势是传统AI和普通小样本学习都比不了的。

即便是在看起来数据较多的城市低空安防领域，零样本学习的价值也已经显现。当前城市低空开放后，违规飞行的“黑飞”无人机种类越来越多，每年都会出现十几种新的消费级无人机型号，安防系统根本不可能提前拿到每一种型号的标注样本训练模型。传统AI模型遇到新型号“黑飞”，识别准确率会直接掉30%以上，而零样本学习模型可以依靠已经学到的“旋翼无人机”“固定翼无人机”的通用特征，结合新型号的外形语义描述，直接完成识别，准确率可以保持在90%以上，不需要重新采集标注样本训练，大大降低了低空安防系统的迭代成本。

当然，我们也必须看到，零样本学习目前还处于从理论研究走向商用落地的初期，大部分落地场景还需要和小样本学习策略结合使用。科大讯飞在公开分享中提到，目前小样本学习的组合策略已经在医疗影像、智能监控、自动驾驶等领域实现了大规模商用，而零样本学习作为小样本学习的极端延伸，目前更多应用在应急处置、小众缺陷识别这类细分场景，大规模商用还需要解决语义迁移偏差、复杂场景泛化能力不足等问题。东南大学李新德团队最新研究的方向，正是要解决现有小样本和零样本学习方法泛化能力不足的问题，该研究成果已经被人工智能领域顶级期刊TPAMI接收，也说明学术界正在加快推进零样本学习的理论突破，为后续大规模落地扫清障碍。

从AI行业的整体发展趋势来看，零样本学习的成熟，本质上是AI从“数据喂养”向“常识推理”进化的必然方向。过去十年AI的快速发展，依赖的是大规模标记数据和算力的堆砌，但很多真实场景根本不可能提供足够的标记数据，越是新兴行业，这个矛盾越突出。低空经济作为刚刚起步的新兴行业，大部分场景都还没有完成数据积累，不可能像互联网行业那样拿出数十亿标记数据训练模型，这种行业特性刚好给了零样本学习快速落地的土壤。

从当前的进展来看，零样本学习已经跨过了理论验证的阶段，正在逐步进入商用落地的爆发前夜：在应急低空测绘、小众工业缺陷识别、新型“黑飞”识别这些场景，已经有不少成功的试点案例，这些试点验证了零样本学习在极端数据匮乏场景下不可替代的价值。随着东南大学等科研院校的理论成果逐步转化，加上行业应用场景的不断拓展，零样本学习很可能会