一次性学习（one-shot learning）是机器学习领域中一种特殊的学习范式，它使得模型仅需通过单个或极少量样本就能完成对新类别的识别或任务掌握。这种能力与人类快速学习的特点高度相似，在机器人应用场景中尤为重要。传统深度学习需要海量数据进行训练，而一次性学习通过特征提取、度量学习和记忆增强等机制，实现了小样本下的快速适应能力。
在具身智能产品的实际开发中，一次性学习技术能显著提升机器人对新物体、新环境的适应效率。例如服务机器人只需观察一次用户示范就能学会摆放餐具的特定位置，工业机械臂通过单次演示即可掌握新型零部件的抓取姿势。这种能力不仅降低了数据收集成本，更使机器人具备了类似人类的即时学习能力。当前该技术仍面临特征泛化性不足等挑战，但结合元学习（meta-learning）等前沿方法，正在成为实现通用机器人智能的关键路径之一。