🟢 机器是怎么"学习"的？——一个考研刷题的类比，让你彻底搞懂
🟢 机器是怎么”学习”的？——一个考研刷题的类比，让你彻底搞懂
把”机器学习”翻译成大白话—— 就是让机器刷《肖秀荣 1000 题》。
🟢 AI 通识专栏 · 第 03 期 📅 2026年6月3日 ✍️ 小敏说 AI
💡 本文要点：本文用所有中国人都懂的场景——考研刷题——把”机器学习”五个核心概念一次性讲透：训练集 / 验证集 / 测试集 / 损失函数 / 过拟合。读完你会知道：为什么 AI 偶尔会犯低级错误，又能在某些事上超越人类专家。
🎯 本文导读
- 🔹 一张表打通考研与机器学习的术语
- 🔹 训练集、验证集、测试集：为什么要分三种卷子
- 🔹 损失函数：机器的错题本
- 🔹 训练的本质：调几亿个”小旋钮”
- 🔹 过拟合：刷题刷到只会答这本题库
- 🔹 一条避开 80% AI 翻车的原则
一、🎯 先看结论：机器学习 = 考研刷题
把”机器学习”四个字翻译成大白话：
给机器一堆题（数据），让它反复刷，直到能把没见过的题也做对。
是的——机器”学习”的过程，本质上和你当年刷 1000 题没有区别。
我们今天就把这个类比讲到底。
二、📚 五个考研术语 vs 五个机器学习术语
| 考研刷题 | 机器学习 | 一句话解释 |
|---|---|---|
| 1000 题题库 | 训练集（Training Set） | 用来”学”的题 |
| 模拟卷 | 验证集（Validation Set） | 用来”调状态”的题 |
| 真正的考研卷 | 测试集（Test Set） | 用来”判分”的题 |
| 错题本 | 损失函数（Loss Function） | 量化”错了多远” |
| 一遍又一遍刷 | 训练（Training） | 反复迭代，让错误越来越少 |
🎯 记住这五对，你已经超过 90% 不学技术的人了。
三、📝 训练集、验证集、测试集：为什么要分三种卷子？
想象你在备考研，手上有三种题：
| 类型 | 用途 | 关键规则 |
|---|---|---|
| 题库 | 反复刷、看答案 | 学得越熟越好 |
| 模拟卷 | 检验当前水平、调整复习策略 | 每周一套 |
| 真考卷 | 证明真实能力 | 只考一次，不能提前看 |
机器学习里完全一样。数据会被严格切开：
| 部分 | 占比 | 作用 |
|---|---|---|
| 训练集 | 70% | 让模型反复学 |
| 验证集 | 15% | 调超参数、防过拟合 |
| 测试集 | 15% | 最后判分，只用一次 |
⚠️ 重要提醒：如果研究员用测试集训练模型，这叫“数据泄露”（Data Leakage）——是 AI 圈里很严重的学术不端，相当于考试作弊。
四、📕 损失函数：机器的”错题本”
考研时你的错题本会告诉你”这道错了，正确答案是 B”——但它不告诉你”错得有多离谱”。
机器学习里的 损失函数（Loss Function） 更进一步：它不仅告诉模型”你错了”，还告诉它”你错了多少“。
举个例子：模型预测明天 30°C，实际 25°C。损失函数会说：”你错了 5 度，扣 25 分（5 的平方）。”
💬 关键观点：损失通常是错误的平方——错得越离谱，惩罚指数级放大。这逼着模型优先消灭离谱错误，而不是纠结那些只差一点的题。
五、🔧 训练：刷题的本质，是在”调旋钮”
一个神经网络里有几亿到几千亿个参数，每个参数都是一个”小旋钮”。
训练的过程就是这个循环：
| 步骤 | 在做什么 |
|---|---|
| 1️⃣ | 模型做一道题 → 给出答案 |
| 2️⃣ | 损失函数说：”错了 5.2 分” |
| 3️⃣ | 反向传播算法反推：”是哪些旋钮拧得不对？” |
| 4️⃣ | 把那些旋钮往正确方向微调一点点 |
| 5️⃣ | 换下一道题，重复 |
刷完一整轮题库，叫一个 epoch（轮次）。现代大模型动辄要训练几十、上百个 epoch，每个 epoch 几十亿条数据——
🎯 这就是为什么训练一个 GPT-4 级别的模型，要烧几千万美元的电费。
六、😱 过拟合：刷题刷到”只会答这本题库”
考研最怕一种学生：题库每道题都背得滚瓜烂熟，但考试一变形就完蛋。
机器学习里有专门的名字叫 过拟合（Overfitting）。
| 现象 | 考研版 | 机器学习版 |
|---|---|---|
| 训练集表现极好 | 题库 100% 正确 | 训练集准确率 99% |
| 测试集表现极差 | 真题考砸 | 测试集准确率 60% |
| 原因 | 死记硬背、缺乏举一反三 | 模型过于复杂、训练数据太少 |
⚠️ 重要提醒：这就是验证集存在的意义——它是你考研路上的”模拟卷”，专门用来发现你是不是在死记硬背。
防止过拟合，主要靠三招：
- 加数据：题库变大，背不完
- 减复杂度：让模型”笨”一点，被迫学规律
- 正则化 / Dropout：训练时故意”扰动”一下，逼模型抗干扰
七、🎭 为什么 AI 能超越专家，又会犯低级错误？
| 表现 | 原因 |
|---|---|
| 🚀 AI 能超越专家 | 短时间”刷完”人类一辈子看不完的题（10 亿张图像、数 TB 文本） |
| 😴 AI 会犯低级错误 | 它学的是“题库里的规律”，不是”世界本身” |
你嘲笑过 ChatGPT 算错”9.11 比 9.9 大”——
💬 关键观点：不是它”蠢”，而是它的训练数据里版本号”9.11 > 9.9”出现的次数，多于小数比较。它学到的是数据里的规律，不是数学本身。
LLM 的”幻觉”本质上就是过拟合 + 训练数据盲区的副作用。
八、❌ 四个常见误区
| 误区 | 真相 |
|---|---|
| ❌ “AI 是被’编程’出来的” | AI 是被训练出来的，没人写过”猫的样子是什么”这条规则 |
| ❌ “AI 能学习 = AI 能理解” | 统计意义上的”学会”，不等于人类意义上的”理解” |
| ❌ “数据越多模型一定越好” | 脏数据、重复数据反而会污染模型。质量 > 数量 |
| ✅ “训练就是反复刷题 + 调参数” | 对，这是机器学习最本质的描述 |
九、🎁 一条避开 80% AI 翻车的原则
下次同事拿 AI 写的东西给你，你可以这样判断质量：
看 AI 在”训练数据可能稀缺”的地方表现如何。
警惕这三种场景：
| 场景 | 为什么风险高 |
|---|---|
| 涉及最近 3 个月的事件 | 训练数据没覆盖 |
| 涉及冷门行业 / 小语种 | 题库不够厚 |
| 涉及精确数字 / 法律条款 | 容易过拟合到错误版本 |
🎯 一句话总结：这一条原则，可以帮你避开 80% 的”AI 翻车”事故。
📮 今日话题
💬 你被 AI 一本正经胡说八道坑过吗？
评论区分享你遇到过的最离谱的”AI 幻觉”——我会挑几个有意思的，下次专门写一篇拆解。
🔮 下一篇预告
🟢 AI 通识 · 第 04 期：监督学习、无监督学习、强化学习——三种学法决定了 AI 能干什么
读完你会明白——为什么自动驾驶用强化学习，而推荐系统用无监督学习。
周四早 8 点见。
🟢 本文属于「AI 通识」专栏，由浅入深、由零到一，带你建立完整的 AI 知识体系。
📱 关注「小敏说 AI」公众号，回复 「AI 入门」 领取《打工人 AI 自救工具箱》。