自监督学习（Self-Supervised Learning）：让数据自己出题

一句话定义：自监督学习是一种不靠人工标注、而是从数据本身「造」出预测任务来训练模型的方法——标签不是人贴的，是从原始数据里顺手挖出来的。

把答案藏在题目里

想象你给孩子一本没有练习册的故事书。你想让他学会语言，但没时间给每句话写注释。怎么办？简单：把句子里的某个词涂黑，让他猜。

「今天天气真___，我们去公园吧。」答案是原文里的「好」，涂黑之前抄一份就行。孩子猜错了，对照原文改；猜对了，继续下一句。整个过程没有任何人写注释，却产生了成千上万道带标准答案的题。

自监督学习就是这么干的。文本模型挡住一个词让模型猜（AI 词典：掩码语言建模">掩码语言建模，Masked Language Modeling），或者让它预测下一个词；图像模型挡掉一块像素让它补全，或者拿同一张图的两个裁剪版本，要求模型认为它们是「同一个东西」（对比学习，Contrastive Learning）。语音、视频、用户行为序列也都能这么玩：预测下一帧、下一次点击、下一笔交易。

和几个近亲的区别

关键差别在两处：无监督学习通常只是发现结构，不一定产生能迁移到下游任务的表征；自监督学习则明确构造「输入—目标」对，本质仍是监督学习，只是标签自动化了。

对从业者的意义

第一，规模上限被抬高了。人工标注贵、慢、有上限，而互联网上的文本、图片、日志几乎是无限的。大语言模型能用海量语料预训练，靠的就是「下一个词预测」这种零成本任务。

第二，它产出的是通用表征。预训练好的模型稍加微调甚至直接提示，就能干很多没专门训练过的事。所以实际项目里的顺序往往不是「先标数据再训模型」，而是「先用现成预训练模型试试，不够再补少量标注」。

第三，做垂直领域时值得问一句：我手里的原始数据能不能自己出题？比如用户行为日志可以预测下一个动作，工单文本可以遮挡关键词让模型复原。能出题，就有机会在标注很少的情况下拿到不错的表示。

具体的模型选型、开源许可和可用版本，以官方页面为准。