一句话定义：元学习是训练模型“学会学习”的方法——目标不是把某个任务做到最好，而是让模型面对一个从没见过的新任务时，只用几个样本、几步更新就能上手。
打个比方
普通机器学习像背题库：题目刷得越多，考试越稳。可一旦换一套完全没见过的题型，就得重新大量做题。元学习更像训练一种“备考方法”：你不是记住某道题，而是练出“看三道例题就能摸清这类题套路”的能力。等真正遇到新题型时，三五道例题就够了。
原理：把“很多小任务”当成训练数据
常规训练的数据单位是“一个样本”，元学习的数据单位是“一个任务”。训练时不断抽取小任务，每个任务再拆成两部分：少量带标签的“支持集”（support set）用来临时适应，剩下的“查询集”（query set）用来检验适应后的效果。模型在成百上千个任务间反复切换，学到的不是某个任务的答案，而是“如何快速适应的规律”。
主流思路大致两类：
- 学一个好的起点：代表是 MAML（Model-Agnostic Meta-Learning）。它寻找一组初始参数，使得从这组参数出发，在任意新任务上走几步梯度下降就能取得好效果。
- 学一个学习器或度量空间：让网络自己学会“怎么比较两个样本是否相似”，或直接学出一个更新规则（learning to learn）。少样本分类里常见的度量式方法属于前者。
和相邻概念的区别
| 概念 | 关心什么 | 与元学习的关系 |
|---|---|---|
| 迁移学习（Transfer Learning） | 把旧任务知识搬到新任务 | 通常还需要一定量新数据微调；元学习优化的是“适应的过程本身” |
| 少样本学习（Few-Shot Learning） | 用极少样本完成新任务 | 是典型应用场景，元学习是达成它的训练范式之一 |
| 多任务学习（Multi-Task Learning） | 同时把多个任务学好 | 共享表示，但不保证快速适应新任务 |
| 微调（Fine-tuning） | 在预训练模型上继续训练 | 元学习可理解为“为微调挑一个更好的起点” |
对从业者和普通人的意义
对从业者，元学习在数据稀缺又必须快速适配的场景有价值：医疗影像里罕见病种、工业质检中的新缺陷类型、推荐系统的冷启动、为不同客户快速定制模型。它也是理解“预训练 + 少量示例适配”这条思路的一块拼图。
对普通职场人，它提供了一个心智模型：真正稀缺的能力不是记住答案，而是从两三个例子里提炼出规则。带新人、换行业、接手陌生项目，本质都是元学习——你带的不是知识本身，而是一套“快速上手的方法”。
需要说明的是，元学习依赖“训练任务”和“未来任务”来自相似分布；如果新任务差异过大，优势会打折扣。具体方法的实现细节与最新进展，以官方论文和文档为准。