在全球數位轉型浪潮下，人工智慧（AI）已成為推動各行各業革新的核心力量。台灣，作為亞洲科技創新的重要據點，也在近年積極布局智慧製造、智慧醫療、智慧農業等領域，展現出AI的應用能量。在這波發展中，一項被廣泛關注且具有革命性意義的技術，就是「遷移學習」（Transfer Learning），正逐步擴展其應用範圍與深度，依據來源資料與遷移領域的對應方式，可分為：

1. 自監督學習（Self-Supervised Learning）
   自監督學習讓模型能在沒有大量人工標註資料的情況下，可從大量未標註的資料中挖掘特徵，為後續遷移提供基礎。特別在醫療影像與農業領域，資料收集與標註困難，自監督學習成為新突破口。
2. 自適應微調（Adaptive Fine-tuning）
   針對不同應用場景，自適應微調技術可根據資料特性動態調整模型權重，不需重新設計整個訓練流程，大幅降低實作成本並提高遷移效能。
3. 跨模態遷移（Cross-Modal Transfer）
   跨模態遷移打破了單一資料型態的限制，使知識可以從影像轉移到語音、文字甚至結合多模態，促成更智慧且複合型的應用，例如智慧醫療報告自動生成、農業影像與氣候數據結合的智慧分析等。

這些趨勢將推動人工智慧應用進入新的階段，使未來的遷移學習技術更加自動化、彈性化與跨域整合化。

在台灣，「遷移學習」技術已在多個重要領域展現出具體成果，包括：

1. 醫療影像診斷
   國立台灣大學醫學院附設醫院AI中心，運用在國際大型胸腔X光資料集（如ChestX-ray14）上訓練的深度學習模型，結合本地醫院影像資料進行微調（fine-tuning），成功提升肺癌、肺炎等疾病的早期診斷率，可有效縮短醫師判讀時間。
2. 智慧製造瑕疵檢測
   工業技術研究院（工研院）AI應用實驗室，利用公開工業影像資料集預訓練模型，再遷移至台灣半導體製程、PCB板與精密工業生產線瑕疵檢測中，有效提升小量多樣產品的品質監控與生產效率。
3. 農業作物辨識與病害檢測
   行政院農業部（原農委會）推動智慧農業計畫，採用遷移學習將國際植物病害影像資料庫模型，微調至台灣地區特有的作物，如文旦、芒果與番茄，建立病害預警系統，幫助農民提升作物健康管理與產值。

這些案例證明，遷移學習技術在台灣各產業領域皆具有高度可行性，並成為智慧轉型的重要推手。展望未來，隨著AI與遷移學習技術持續進化，台灣智慧應用版圖將更加擴展。而教育端對於「遷移能力」與「跨域實踐」的重視，將是推動這股潮流的關鍵力量。

文 / 資訊管理學系 張怡君 主任
出版 / 2025年4月30日