一句话定义：捷径学习（Shortcut Learning）指模型在训练中学到的不是任务本身的规律，而是数据采集、标注流程里那些“碰巧和答案同时出现”的偷懒线索——这些线索在训练集和测试集上同样有效，一旦换个场景就立刻失灵。
它是怎么发生的：想象你训练一个模型分辨“狼”和“哈士奇”。研究者收集的狼照片大多拍于雪地，哈士奇照片大多拍于室内。模型很快学会了一个极简规则：有雪就是狼。它在测试集上准确率很高，因为这个“偏方”在测试集里依然成立。但模型其实从没看狼长什么样——它学的是“雪”。这就是捷径学习：模型不是故意作弊，而是优化过程天然偏好容易学、成本低的特征，背景、色调、水印、图像尺寸、文本长度，永远比对象本身的形态更好学。
真实案例里，这类线索往往来自流程本身。不同医院拍的 X 光片带有各自的设备标记和拍摄体位；不同实验室的病理切片染色深浅不一；标注平台给某类样本统一加了水印；甚至标注员的习惯也会渗进标签——比如标注规范里对“疑似”类别的默认处理。模型会精准地抓住这些“流程指纹”，把它们当成医学证据。
和相邻概念的区别：
| 概念 | 问题出在哪 | 什么时候暴露 |
|---|---|---|
| 捷径学习 | 学到了数据里的伪相关特征 | 换环境、换设备、换人群时突然崩掉 |
| 过拟合（Overfitting） | 记住了训练样本的细节与噪声 | 在同分布的测试集上就掉分 |
| 分布偏移（Distribution Shift） | 部署数据与训练数据不同 | 上线后整体性能下降 |
关键差别是：捷径学习在标准测试集上往往看不出问题，因为训练集和测试集是用同一套流程造出来的，捷径同样成立。它属于“伪相关”（Spurious Correlation）在模型行为上的体现，但更强调模型自身的偏好——能抄近路就抄近路。
对从业者的意义：只做随机切分的离线评估，很可能给出虚高的信心。有几件事值得养成习惯：一是刻意构造“反捷径”测试集，比如换背景、换医院、换采集设备、打乱答案位置；二是看模型到底在看哪里（显著性图、注意力可视化只是粗略线索，不能当证据）；三是把数据采集与标注流程当成模型的一部分来审计，问清楚“这批数据是怎么来的”；四是让标注规范显式处理模糊样本，避免流程习惯变成标签规律。具体的评估工具和指标口径，以各框架官方文档为准。
对普通人的意义：一个演示效果惊艳的模型，可能只是学会了场景里的“雪”。看到 AI 落地案例时，值得多问一句：换一批数据、换一个场地，它还成立吗？