Přenosové učení (transfer learning) je postup, při němž se znalost získaná na jedné úloze využije jako výchozí bod pro úlohu jinou. Místo tréninku od náhodně inicializovaných vah se vezme předtrénovaný model naučený na rozsáhlém obecném korpusu a přizpůsobí se cílové dománě. Fungování opírá o hierarchickou povahu naučených reprezentací: spodní vrstvy zachycují obecné a přenositelné rysy – hrany a textury u obrazu, morfologii a syntax u jazyka –, zatímco vrstvy nejvyšší jsou specifické pro původní úlohu. Praktické varianty se liší v tom, co se rozmrazí. Nejúspornější je extrakce příznaků, kdy se celý model zmrazí a doučí se jen nová výstupní hlava. Úplné doladění aktualizuje všechny váhy s velmi nízkou rychlostí učení, často po vrstvách postupně. Kompromisem jsou parametricky úsporné metody jako LoRA. Přínos je zásadní: cílová úloha vystačí se stovkami až tisíci anotovaných vzorků místo milionů. Rizikem je negativní přenos, kdy jsou domény příliš odlišné, a katastrofické zapomínání původních schopností.
Nikdo neučí zkušeného automechanika opravovat motorky od nuly. Rozumí spalování, umí zacházet s nástroji, ví, jak se hledá závada – a to všechno přenese. Doučit potřebuje jen specifika: jinak umístěný řetěz, jiné brzdy. Zvládne to za pár týdnů, ne za pět let. A pozor na dvě věci, které mu můžou podrazit nohy. Kdybyste ho posadili k opravě hodinek, jeho zkušenost s hrubou silou by mu spíš škodila. A kdyby rok dělal výhradně motorky s vypnutou hlavou, může se stát, že mu detaily z automobilů vyhasnou.