如果非要把心理過程分解的話，也是可以從另一個角度認為是“多工”的；就如同在回覆這個帖子的時候，眼睛從螢幕上感受到了光線刺激了，視覺皮層把刺激轉變成大腦能處理的訊號，語言區域讓我理解文字的意義，同時注意力只讓我集中在文字資訊上面，心理學知識的長期記憶調出，與語言整合後，又透過運動（鍵盤）表現出來！ 感覺-知覺-注意-語言-整合-運動，看，這就是人腦的多工！

多工學習的需求比較普遍, 比如給定一篇doc(如 部落格, 微博, 短新聞) 的文字資訊和數字資訊(如 長度, 圖片數, 發表日期), 來預測等若干個迴歸值.為什麼可以多工訓練 有些隱藏特徵可以共用, 這是各output可以公用前幾層的理論假設. 除了一石二鳥, 訓練一次實現多種用途以外, 多個 output 之間也會相互平衡, 像正則項一樣, 比單一任務達到更好的泛化效果.

多工學習是指透過同時對模型最佳化多個目標，來獲得更好的泛化能力。其本質上屬於遷移學習的一種，即利用不同任務之間具有類比和相似的關係，。多工學習能夠擺脫單任務學習中容易出現的過擬合問題，透過學習多工之間的共享表示，使得模型能夠在多個任務上都能取得很好的效果，同時大大減少了模型大小和需要的資料量。

值得注意的是，這裡的多工要求任務之間存在相關性，只有這樣任務之間才可能存在共享表示。否則，反而會傷害模型的效能，出現負遷移的現象。這一點可以用人的學習方式來解釋，人們利用聯想學習的方式，即發現不同任務之間的相關性，往往能夠更快更好的學習知識，比如同時學習數學和物理。

多工學習按照學習結構的不同可以分成以下兩種：

A. 多工共享一個特徵表示，然後再針對引出預測不同任務的小模型，這種方式訓練的引數更少，過擬合的風險也更小，因為我們同時學習的任務越多，那麼模型要找到一個包含所有任務的共享表示就越困難，這樣就很難出現對某個任務出現過擬合。但是，這也對任務之間的相關程度，提出了更高的要求，如果任務之間的相關程度低，那麼就無法找到一個共享表示，模型的效果將大打折扣。

B. 多工之間享有各自的特徵表示，但是相互之間聯絡在一起，學習到的表示能夠相互交流和影響，從而構成更大的表示空間。這樣方式要學習的引數量較上一種要增加很多，但是對任務之間的相關度要求就下降了，可以讓模型自己自動的找到任務之間的相關性來得到共享表示。

陛人才疏學淺……

在學校時的〈各科學習〉難到不叫“多工學習”嗎？

如果在校其間的學習，就叫“多工學習”

那麼大腦已經開發訓練了！

當然人們應該時時不斷的填充融入更新文化知識，和社會生存所需的各種新技術，技能。

但為什麼要用訓練一詞？而不用學習？

非常複雜的工程，這是AI的一項模擬系統，也就是標籤式的打包，換句話說就是套餐之類的任務環境。

譬如一個任何可以成為另一個任務的知識點，當然真實情況不止A\B\C。。。。。。幾個任務點，而是一個可以視為整體的大任務。

這樣的學習方式如果放置對真實人類，我的理解就是思維訓練吧，也就是通俗的一句話：舉一反三。

個人淺見，僅供參考。