> ## Documentation Index
> Fetch the complete documentation index at: https://docs.monostate.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# 了解 AI 训练

> AI 模型如何从数据中学习

# AI 模型如何学习

在开始训练模型之前，了解"训练"AI 时实际发生的情况会很有帮助。

### AI播客：训练概念和微调策略（英语）

<div style={{ marginTop: '1rem', marginBottom: '2rem' }}>
  <iframe width="100%" height="400" src="https://www.youtube.com/embed/iUHyHaxiS7g" title="AI Podcast - Training Concepts and Fine-tuning" frameBorder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture" allowFullScreen />
</div>

## 教学 vs 编程

传统软件就像食谱一样工作。您编写确切的指令："如果用户点击此按钮，显示那个屏幕。"计算机每次都完全按照您的食谱执行。

AI 训练是不同的。不是编写指令，而是向 AI 展示示例并让它找出模式。

<CardGroup cols={2}>
  <Card>
    **传统编程**

    您编写："如果电子邮件包含'winner'，标记为垃圾邮件"

    计算机遵循您的确切规则
  </Card>

  <Card>
    **AI 训练**

    您展示：1000 封垃圾邮件和 1000 封真实邮件

    AI 自己找出模式
  </Card>
</CardGroup>

## 学习过程

当您训练 AI 模型时，会发生以下情况：

### 1. 模式识别

模型查看您的示例并尝试找到模式。就像您通过看到许多猫来学习识别猫，而不是通过记忆关于胡须和尾巴的规则。

### 2. 做出预测

在看到模式后，模型对新数据进行预测。起初，这些预测很糟糕 - 就像随机猜测。

### 3. 从错误中学习

这是"训练"部分。当模型猜错时，它会稍微调整其理解。经过数千次调整后，它在预测方面变得更好。

### 4. 测试知识

您在模型之前未见过的示例上测试模型。如果它在新数据上表现良好，它真正学习了模式，而不仅仅是记忆了您的示例。

## 不同类型的学习

AI 模型可以根据您要实现的目标以不同方式学习：

### 从示例学习（监督学习）

您提供带答案的示例：

* "这封电子邮件是垃圾邮件"
* "这张图片包含一只狗"
* "这条评论是积极的"

模型学习为新示例预测正确答案。

### 从反馈学习（强化学习）

模型尝试不同的方法，您告诉它什么是好或坏：

* "这个响应很有用" ✓
* "这个响应没有用" ✗

模型学习最大化好的结果。

### 从模式学习（无监督学习）

模型在没有被告知要寻找什么的情况下找到模式：

* 将相似文档分组
* 找到异常交易
* 发现客户细分

## 为什么训练需要时间

训练不是即时的，因为模型需要：

1. **处理所有数据** - 查看您提供的每个示例
2. **调整数百万参数** - 微调其理解
3. **验证其学习** - 检查它是否真的在改进
4. **避免记忆** - 确保它学习模式，而不是特定示例

可以将其想象为学习骑自行车。您不会立即掌握 - 您会摇摆、跌倒、调整并逐渐改进。

## 确定性 vs 概率性

<Note>
  **重要概念**：AI 模型是概率性的，不是确定性的。
</Note>

**确定性**（传统软件）：

* 相同输入 → 相同输出，总是
* 2 + 2 = 4，每次都是

**概率性**（AI 模型）：

* 相同输入 → 略有不同的输出
* "写一个摘要" → 每次都有不同的有效摘要

这就是为什么 AI 模型可以具有创造性并处理模糊情况，但也是为什么它们有时会犯错误或给出意外结果。

## 数据的作用

数据在 AI 训练中就是一切。训练数据的质量和数量决定了模型的表现。

### 质量很重要

<CardGroup cols={2}>
  <Card>
    **好数据**

    * 准确的标签
    * 多样化的示例
    * 平衡的类别
    * 干净且一致
  </Card>

  <Card>
    **差数据**

    * 错误的标签
    * 有限的多样性
    * 不平衡的类别
    * 嘈杂或不一致
  </Card>
</CardGroup>

### 数量有帮助

更多示例通常会导致更好的模型：

* **10 个示例**：模型几乎无法工作
* **100 个示例**：基本理解
* **1,000 个示例**：良好性能
* **10,000+ 个示例**：优秀结果

但质量胜过数量。100 个好示例比 1,000 个坏示例更好。

## 常见训练挑战

### 过拟合

模型记忆您的训练数据而不是学习模式。

**示例**：仅在专业头像上训练的模型可能在随意的自拍上失败。

**解决方案**：使用多样化的训练数据和验证集。

### 欠拟合

模型太简单，无法捕获数据中的模式。

**示例**：尝试用小型模型分类复杂的医学图像。

**解决方案**：使用更有能力的模型或训练更长时间。

### 不平衡数据

当您的一个类别的示例比另一个多得多时。

**示例**：950 个合法交易 vs 50 个欺诈交易。

**解决方案**：平衡您的数据集或使用加权训练。

## 什么使训练成功

1. **明确的目标** - 确切知道您希望模型做什么
2. **好数据** - 代表真实世界使用的高质量示例
3. **正确的模型大小** - 不要太简单，不要不必要地复杂
4. **适当的验证** - 在模型未见过的数据上测试
5. **耐心** - 训练需要时间和实验

## 下一步

现在您了解了 AI 训练如何工作，让我们看看：

<Card title="模型类型" icon="layer-group" href="/foundations/model-types">
  不同任务的不同架构
</Card>

<Card title="选择您的界面" icon="computer" href="/foundations/choosing-interface">
  为工作流程选择正确的工具
</Card>