Învățarea zero-shot (zero-shot learning) este capacitatea unui model de inteligență artificială de a îndeplini corect o sarcină sau de a recunoaște o categorie pentru care nu a primit niciun exemplu explicit de antrenament — spre deosebire de învățarea tradițională, care necesită sute sau mii de exemple etichetate pentru fiecare categorie sau sarcină nouă.
Acest tip de generalizare devine posibil atunci când modelul a învățat, în etapa de pre-formare pe cantități masive de date generale, reprezentări suficient de bogate și de abstracte încât poate „deduce” cum să abordeze o sarcină nouă doar din descrierea ei în limbaj natural. De exemplu, un model mare de limbaj poate clasifica corect sentimentul unui text în categorii complet noi, specificate direct în prompt (“clasifică acest text ca fiind entuziast, dezamăgit sau indiferent”), fără să fi văzut niciodată exemple etichetate exact cu aceste trei categorii în timpul antrenamentului.
Termenul se folosește frecvent și în viziunea computerizată, unde un model poate recunoaște o categorie de obiect complet nouă doar pe baza unei descrieri text a caracteristicilor sale (de exemplu, recunoașterea unui animal exotic descris ca „are dungi ca o zebră, dar coarne ca o antilopă”), combinând înțelegerea vizuală cu cea lingvistică.
Capacitatea de învățare zero-shot este considerată una dintre cele mai valoroase proprietăți emergente ale modelelor mari moderne, pentru că reduce dramatic nevoia de a colecta și eticheta manual date pentru fiecare sarcină nouă, permițând adaptarea rapidă a unui singur model general la o gamă vastă de aplicații practice, fără costuri suplimentare de antrenament.
