无免费午餐定理（No Free Lunch，简称 NFL）说的是：如果把所有可能的问题放在一起看，任何两个算法的平均表现都一样好。没有哪个算法能在所有任务上通吃。一个算法在某类问题上更准，必然在另一类问题上更差——优势是换来的，不是白来的。
打个比方
假设你有一张地图，要找一个地方。你可以：
- 按"离起点最近"走（贪心）
- 随机走
- 一直往东走
如果地图上只有一块宝藏在东边，那么"一直往东"这个策略完胜。但如果换个地图，宝藏在西边，"一直往东"就彻底失败，而随机走在平均意义上并不比它差。
关键点在于："一直往东"这个算法之所以好，是因为它内置了一个关于地图的假设——宝藏大概率在东边。假设对了，它就是神器；假设错了，它就是笑话。
NFL 定理的证明思路就是这样：把所有可能的"问题"穷举出来，你会发现任何一个算法的出色表现都能找到对应的差表现来配平。全加起来，谁也不占便宜。
它真正想说什么
NFL 不是让你悲观，而是告诉你一件事：任何算法效果好的背后，都藏着一组关于"问题长什么样"的假设。机器学习里这些假设叫归纳偏置（inductive bias）。
- 卷积神经网络（CNN）内置了"相邻像素更相关"的假设，所以图像任务上强
- 循环神经网络（RNN）和 Transformer 内置了"序列顺序有意义"的假设，所以文本任务上强
- 大模型预训练用的是"语言统计规律在各类任务间可迁移"这个假设
假设成立，效果就好；假设不成立，再多的数据、再大的模型也救不回来。
和相邻概念的区别
| 概念 | 说的是什么 |
|---|---|
| 无免费午餐定理 | 不存在对所有问题都最优的算法 |
| 没有银弹（No Silver Bullet） | 工程上不存在一招解决复杂性的办法 |
| 奥卡姆剃刀 | 同等效果下，偏好更简单的假设 |
| 归纳偏置 | 算法为了"能学"而必须带有的先验假设 |
前两个常被混用：NFL 是数学结论，说"平均意义下一样好"；没有银弹更像工程经验之谈。奥卡姆剃刀是一种选择偏好，而归纳偏置正是 NFL 逼出来的必需品——正因为不可能通吃，算法才必须做假设。
对从业者的实际意义
1. 别再问"哪个模型最好"。要问"在我这类数据、这个目标函数、这个算力预算下，哪种假设最匹配"。
2. 领域知识是杠杆。往模型里注入正确的假设（特征、结构、约束），比盲目堆参数有效得多。
3. 跨域迁移要警惕。在 A 领域调好的方案直接搬去 B 领域，很可能正是因为它的假设不成立了。
4. 评测集即假设。你的验证集代表什么样的分布，直接决定了你会选出什么样的"最优"模型。
一句话收尾：模型没有强弱之分，只有假设和问题匹配与否。选模型，本质上是在选假设。
具体算法的能力边界、评测表现，各家更新很快，以官方页面为准。