MAML（Model-Agnostic AI 词典：Meta-Learning">Meta-Learning，模型无关元学习）是一种元学习算法，它不追求把某个任务做到最好，而是去学一组"初始参数"——从这组参数出发，面对任何一个新任务，只要看几个样本、走几步梯度下降，就能迅速变得好用。
它到底在优化什么
普通训练是：给定任务，不断调参数，让模型在这个任务上误差变小。
MAML 的训练里嵌套了两层循环：
- 内循环（inner loop）：拿一个具体任务（比如"分辨五种从未见过的鸟"），用它的少量样本对参数做几步梯度更新，得到一个临时参数。
- 外循环（outer loop）：不评价原始参数好不好，而是评价"更新之后"的临时参数在新样本上表现如何，再用这个结果去调整原始参数。
换句话说，它优化的目标是"微调之后的表现"，而不是参数本身当下的表现。这就要求原始参数站在一个对众多任务都友好的位置——不是离某个任务最近，而是离所有任务都不太远。
打个比方：普通训练是直接把一辆车开到某个目的地；MAML 是找一处停车位，从那里出发去附近任何一个目的地都很近。或者更像捏黏土：不是直接捏出一只鸭子，而是找一块质地合适的黏土，随便捏两下就能变成鸭子、杯子或小船。
因为外循环要对"更新后的参数"再求导，MAML 涉及二阶梯度，计算和显存开销都不小。后来出现了一些只用一阶梯度近似、实现更简单的变体，在不少场景下效果也够用。
和几个"邻居"的区别
| 概念 | 学的是什么 | 面对新任务时 |
|---|---|---|
| 预训练 + 微调 | 一套通用表征 | 再训练一轮，通常需要较多数据 |
| 多任务学习 | 一个共享模型同时做好若干任务 | 新任务往往要重新加入训练 |
| MAML | 一个好的初始参数（起点） | 几步更新、几个样本即可适应 |
要注意，少样本学习（few-shot learning）是问题设定，MAML 是求解方法之一；元学习（meta-learning）是更大的范畴，MAML 只是其中最出圈的一个。所谓"模型无关"，指的是它不限定网络结构，卷积网络、全连接网络都能套这套流程。
对实际工作意味着什么
如果你做的是"任务很多、每个任务样本很少、还总要接新任务"的场景，MAML 的思路值得借鉴：机器人快速适应新的关节磨损或新地面、个性化推荐里给新用户冷启动、医疗影像里适应新设备的数据分布，都属于这类问题。
但工程上不必迷信它。如果预训练加微调已经够用，或者干脆用上下文示例让大模型现学，成本往往更低。MAML 的价值更多在于它把"学会学习"这件事讲清楚并给出了可训练的公式，而不是在每个场景都赢。要不要用，建议先看你的任务分布是否清晰、新任务是否频繁——具体实现细节和最新进展，以相关论文与开源项目的官方页面为准。