我们生活在一个充满未知的世界里。明天会下雨吗？这支股票会涨吗？这张 X 光片上的阴影是肿瘤吗？面对这些问题，我们很少能给出斩钉截铁的“是”或“否”，更多时候，我们只能给出一个充满弹性的回答：有多大可能。
这种“有多大可能”，就是概率。概率不是某种神秘的物理量，它是一套严谨的语言，专门用来表达和处理不确定性。而围绕这门语言，有两种深刻影响现代科学和人工智能的思维方式：频率派与贝叶斯派。
想象一个场景：你的朋友掏出一枚硬币，随手一抛——正面。再抛，还是正面。连抛 10 次，结果令人瞠目：连续 10 次正面。
你盯着这枚硬币，心里犯起嘀咕：这硬币是不是不均匀？
这时，你大脑里其实有两股声音在较量，它们恰好对应着两种解读概率的哲学流派。
频率派（Frequentist）的思考方式很“法官”：在确凿证据出现之前，假定硬币是公平的。
它的逻辑：如果硬币真的公平（正面概率 $p = 0.5$），那么连续扔出 10 次正面的概率是多少？ $$P(\text{10次正面} \mid p=0.5) = 0.5^{10} = \frac{1}{1024} \approx 0.00098$$ 这个值不到千分之一，实在太小了。
它的结论：这件事“太巧了”，巧到让我们很难继续相信“硬币是公平的”这个前提。在统计学上，这叫做“小概率事件原理”——如果一次试验中居然发生了小概率事件，我们就有理由拒绝原假设。于是，频率派法官敲下法槌：硬币不公平。
在频率派眼中，概率就是大量重复试验下，某个事件发生的相对频率。想要知道一枚硬币正面的概率？唯一的办法就是不停地扔它，扔上成千上万次，然后看正面的比例。这是一个客观的、属于这个物理硬币本身的属性。
这种思维干净利落，但它有个问题：它拒绝在看清数据之前，对“这枚硬币可能不公平”这件事赋予任何数值化的信念。可是，你真的在扔硬币之前对此毫无感觉吗？一个街边魔术师递给你的硬币，和一个收银员找零给你的硬币，你事先对“它可能有问题”的警觉程度，显然截然不同。
贝叶斯派（Bayesian）则大方得多。它认为，概率就是对某件事的相信程度，而且这种相信程度可以随着新证据的到来而不断修正。
它用一个简洁优美的公式来工作——贝叶斯定理：
$$P(H \mid E) = \frac{P(E \mid H) \cdot P(H)}{P(E)}$$
让我们用母语把它翻译一遍：
$$\text{后验概率} = \frac{\text{似然度} \times \text{先验概率}}{\text{边缘似然度}}$$
回到硬币的例子。在扔硬币之前，你对“硬币不公平”已经有一个直觉性的猜测，这就是先验概率 $P(H)$。如果硬币来自普通抽屉，这个值可能很小，比如 $0.01$；如果来自魔术师之手，这个值可能很高，比如 $0.5$。
然后，你看到了证据 $E$：“连续 10 次正面”。计算开始：
贝叶斯公式会将你的先验信念和数据证据揉合在一起，计算出一个全新的、吸收了数据之后你对硬币公平性的判断——后验概率 $P(H \mid E)$。
哪怕你的先验概率只有 $0.01$，在连续目睹 10 次正面后，后验概率也会飙升。贝叶斯思维从不宣称“绝对如此”，它只是平静地说：“鉴于我目前看到的，我现在对此的相信程度是 78%。” 如果接下来又丢了 10 次正面？这个数字会继续逼近 100%。这是一个持续学习、持续更新的过程。
这个“从信念到证据再到更新信念”的过程，听起来是不是有点耳熟？没错，它恰是当代人工智能，尤其是分类模型的核心工作方式。当你把一张图片塞给一个图像识别模型，它最后吐出来的，不是一个冷冰冰的“猫”，而是一个概率：“这张图有 90% 的概率是猫”。
让我们拆解这 90% 是如何诞生的。一个深度神经网络内部，是一层又一层的数学变换。原始图片被转化成像素值，经过成千上万个参数构成的复杂函数，最终涌向最后一层。这一层通常会接一个叫做 Softmax 的函数，它的唯一使命，就是把网络输出的那一串任意实数，强行转化为一组“看起来像概率”的数：
于是，模型给出 $[0.90, 0.07, 0.03]$——90% 猫，7% 狗，3% 兔子。
这 90% 在说什么？从频率派的角度，你可以近似地理解它为：在模型“经历”过的那千百万张训练图片里，与这张图特征极为相似的那些样本中，有 90% 是猫。但从贝叶斯的视角看，这要深刻得多：模型先有一个初始状态（随机参数），然后通过海量标注好的数据（证据），一遍遍地用类似贝叶斯更新的方法（梯度下降）去修正它内部的参数，最终形成了它对世界的一种结构化的“信念”。当新图片到来时，这个“90%”就是模型融汇了自己所有“经验”之后，对这个特定图片归属猫类的置信度。
这揭示了现代 AI 的一个关键特征：它是统计性的，而不是逻辑性的。它不进行符号推理，不会像传统程序那样用“如果-那么”规则去判定尖耳朵、胡须和毛色。它只是“感觉”到这张图像在超高维空间里的落点，与记忆中“猫”的概率分布高度重叠，然后诚实地说：“我很确定，但不是百分之百确定。”
那 10% 的不确定性，并非模型谦虚的装饰品，而是它运作方式的本质。在自动驾驶中，一个行人检测模型输出“99.99% 概率是行人”与“70% 概率是行人”，会指向完全不同的决策逻辑。在医疗影像里，一张 CT 片被标注为“92% 概率是恶性”，会直接引导医生选择更审慎的后续检查方案。
从抛硬币的思维实验，到 AI 识图的猫狗概率，我们能看到一条清晰的线索：概率是现代理性的一块重要基石。
频率派让我们保持严谨，用大量数据去逼近客观世界的真相；贝叶斯派则赋予我们灵活，让我们能坦然拥抱先验知识，并用新证据不断刷新对世界的认知。而正是后者这种“观点随事实而变”的框架，在深层逻辑上驱动了今天大部分的机器学习系统。
下一次当你看到天气预报说“明日降水概率 70%”，或者医疗报告上写着“阳性预测值为 85%”时，也许你可以更清晰地意识到，你正在阅读的，是一门描述不确定性的语言。它不保证结果，却将不确定性压缩在可衡量的数字里，这本身就代表了我们在这个随机世界里，所能达到的一种最诚实的认知状态。
评论专区
评论加载中...登录后即可发表评论