一句话定义：对比学习（Contrastive Learning）是一种让模型通过“比较”来学习表示（representation）的方法：把本该相似的样本拉近，把不相似的样本推远，不需要人工类别标签。
展开讲清原理：传统监督学习需要给每张图打“猫/狗”标签。对比学习不问“这是什么”，而问“这两个像不像”。例如一张狗的图片，做两次随机裁剪、调色，得到两个视图，它们互为正例（positive pair）；同一批里其他图片的视图就当作负例（negative pair）。模型的目标是让正例在向量空间里靠近，负例彼此远离。
打个比方：给一群人拍合照，要求每个人记住“我的双胞胎兄弟”和“不是我的人”。没有名字和职业标签，只靠“谁和谁应该像、谁和谁不应该像”的反馈，模型也能学会区分脸型、发型、衣着这些有用特征。这种“自己造标签”的方式属于AI 词典：自监督学习">自监督学习（self-supervised learning）。
技术上说，模型把样本映射成嵌入（embedding）向量，用余弦相似度衡量远近，再用类似 InfoNCE 的损失函数：正例相似度越高越好，负例相似度越低越好。关键在负例数量和质量：负例太少，模型可能学到“所有东西都差不多”的退化解。
和相邻概念的区别：
| 概念 | 训练信号 | 关注点 |
|---|---|---|
| 监督分类 | 人工类别标签 | “这是猫还是狗” |
| 对比学习 | 样本间相似/不相似 | “谁和谁应该靠近” |
| 聚类 | 无标签，事后分组 | 先把表示学好再分组 |
| 生成模型 | 重建像素或文本 | 生成内容，而非只学表示 |
实际意义：搜索、推荐、去重、人脸/商品匹配等场景，往往标签少，但“同一个人/同一件商品”的关系容易获得，对比学习能把这种关系变成训练信号。多模态里，图片和它配的文字可互为正例，其他图文为负例，从而学到跨模态表示（如 CLIP 的思路）。对从业者，先问“正负例怎么构造”，再问“负例够不够难”；对普通人，它解释了为什么平台没让你打标签，也能把相似内容推给你。具体实现与超参以官方文档和论文为准。