八三看书

手机浏览器扫描二维码访问

贝叶斯推理：从猜硬币到刷手机，其实你每天都在“贝叶斯”（第4页）

问题2：AI要处理“不确定的信息”，贝叶斯能“量化概率”

现实世界里的信息，大多是“不确定”的。比如：

- 用户点了一个视频，可能是“真喜欢”，也可能是“误点”；

- 图片里有“两个尖耳朵”，可能是猫，也可能是狗、兔子；

- 病人说“头痛”，可能是感冒，也可能是没休息好、压力大。

这些“不确定”的信息，其他算法很难处理——要么当成“确定的信号”（比如认为“点了就是喜欢”），要么直接忽略。但贝叶斯能把“不确定”变成“概率”：比如“用户点视频，60%是真喜欢，40%是误点”，然后基于这个概率去更新判断，不会一刀切。

举个AI诊断疾病的例子：AI要判断一个“头痛”的病人是不是“感冒”。先验概率是“头痛病人里，10%是感冒”；然后看新信息“病人还发烧”——似然度是“感冒的人里，80%会发烧”“不是感冒的人里，5%会发烧”；最后算后验概率，发现“是感冒”的概率升到了62%——AI不会说“你肯定是感冒”，而是“你有62%的可能是感冒，建议再查一下”，这就比“一刀切”科学多了。

问题3：AI要“实时更新判断”，贝叶斯能“循环迭代”

AI的判断不是“一次性”的，而是要跟着新信息实时变。比如：

- 短视频推荐：你上午喜欢看美食，下午突然喜欢看旅游，AI得马上改推荐；

- 自动驾驶：前面的车本来在正常开，突然打了转向灯，AI得立刻判断“它要变道”，然后减速；

- 语音助手：你说“打开窗户”，它先猜“是客厅的窗户”，但你又说“不是，是卧室的”，它得马上改过来。

贝叶斯的“先验→似然→后验”循环，天生就适合这种“实时更新”——因为上一次的“后验概率”，就是下一次的“先验概率”。比如：

1. 初始先验：你喜欢美食视频的概率30%；

2. 第一次更新：你点赞火锅视频，后验升到50%（这个50%成了下一次的先验）；

3. 第二次更新：你跳过了一条炒菜视频，似然度是“喜欢美食的人跳过炒菜视频的概率20%，不喜欢的人跳过的概率80%”，算出来后验降到36%（这个36%又成了下一次的先验）；

4. 第三次更新：你收藏了旅游视频，似然度调整后，后验降到15%——AI就知道“你现在可能更喜欢旅游”，开始推旅游内容。

这种“循环迭代”的能力，让AI能像人类一样“持续学习”，不会停留在旧判断里。

四、贝叶斯推理在AI里的4个真实应用：从刷手机到救命，都有它的影子

光说理论太抽象，咱们看几个贝叶斯推理在AI里的真实应用，你会发现“原来我每天都在跟贝叶斯AI打交道”。

应用1：短视频/电商推荐——“你喜欢什么，AI越猜越准”