它是看例子学会的

它不是天生就会，它是看例子学会的。

你会先听一个午餐盘子的故事，再知道：它是看很多例子学会的。 你会讲清：例子少了、太单一、标错了，会怎样。 你还会用校服和雨衣说明：例子太单一，就会认错。

这节课要完成什么？ 如果例子全是晴天校服，穿雨衣过来，它为什么会慌。

午餐时，林晓把青菜全留给同桌。 同桌说：「你不吃青菜，机器人会怎么想？」 林晓愣住：「机器人还管我吃饭？」

老师路过，接了一句：「如果只看你今天的盘子，它会以为你从来不吃绿的。可你只是今天不想吃。一个例子太少了。要看很多天的盘子，才比较公平。」

人工智能也一样，它靠很多例子来学。

如果觉得有点难 先记两个字：多、全。多，是数量；全，是别只看一种样子。

如果已经会了 想一想：如果训练人脸的照片几乎都是短头发。 长头发的同学可能更容易被认错。

给它看的很多例子，叫训练数据。 例子可以是照片、声音、点过的书，也可以是对错记录。

人工智能不是天生就会，它靠这些例子「学」。

学认人脸，要看很多人脸照片，一张不够。

学听单词，要听很多人读，一种口音也不够。 学推荐作业，要看很多人哪一题常错。

记住关系：

很多例子提供粮食，人工智能从例子里学本领。

没有例子，本领长不大。

为什么要很多？因为一个例子太容易骗人。

只看林晓今天不吃青菜，会得出错结论。只看一张侧脸，闸机也可能认不出。

数据越多、越多样，判断常常更稳。 粮食少，不是机器懒，是例子不够，它抓不住稳定的样子。

一个盘子会骗人，一张照片也会。

例子多，仍然可能有问题。 如果例子都很像同一种情况，它就会认偏。

比如认校服。训练照片全是晴天、正面、没有外套。下雨天一穿雨衣，它就慌。

这不是雨衣的错，是例子太单一。

所以要记住：例子全是晴天校服，雨衣一来，它没见过这种样子，标签就会贴错。

如果训练人脸的照片几乎都是短头发，长头发的同学可能更常被拦下。

例子太单一，长头发更容易被拦。不是同学不好，是它看见的世界不够完整。

如果例子本身贴错标签，也会学歪。 把「口算题」标成「作文」，它会越学越糊。

所以，例子和人工智能是绑在一起的。

• 例子少，学得浅。
• 例子太单一，长头发更容易被拦。
• 标签贴错，更容易认错。

这也是一种技术局限。不是故意欺负谁，是它看见的世界不够完整。

校园里可以怎么想？给语音软件读单词时，声音要清楚；拍作业时，纸要放正、光线要够。

你交出去的每一张图、每一段音，都可能变成它的粮食。 粮食要干净，也要得到允许。别人的脸、别人的声音，不能偷偷拿去喂。那是后面安全课要管的事。

数据是粮食，记住这些就够。

1. 人工智能要靠大量例子来学。
2. 一个例子会骗人。例子要多，也要全。
3. 少了、太单一、标错了，本领就会歪。

试着用「晴天校服和雨衣」给家人讲一遍，再补一句：一个午餐盘子，也会骗人。

下一课才看：它会帮人，也会搞错。 这节课先记住，它是看例子学会的。

看完就来检查一下。选错了也可以再想。