训练数据

它是什么

训练数据，就是给 人工智能看的很多例子。例子可以是：

• 照片，旁边写着「猫」或「不是猫」
• 声音，旁边写着对应的字
• 练习的对错记录
• 点过的书、停留的时间

很多例子还带着标签：人对它起的正确名字。有标签的例子，叫标注数据。机器靠对照这些名字来学。

所以常有一句话：

数据是人工智能的粮食。没有粮食，就没有学习。

粮食少，学得浅；粮食偏，容易歪；粮食乱，更容易认错。

数据和人工智能是互相养活的。有数据，本领才长得出来；有了本领，它才能去认新的声音和图片。

名字从哪来

早期程序主要靠人写规则。规则写得下，就不那么依赖海量例子。可世界太复杂，规则写不全。

后来研究者发现：给机器看大量带名字的例子，它能自己调出有用的对照办法。语音要听很多人读同一个词；图像要看很多张同一种东西的照片。

2009 年前后，一个叫 ImageNet 的大型图像库，把上千万张照片标上类别。2012 年的看图比赛证明：粮食够大、算法够深，图像识别会突然准很多。语音识别在 2010 年代也靠海量录音进步。

「训练」这个词，意思很像练习。不是机器去上体育课，是程序拿例子一遍遍调整，直到对新例子也比较准。

今天，谁的数据更全、标得更对，常常决定谁的工具更稳。同时也带来新问题：别人的脸和声音，不能偷偷拿来当粮食。

怎么工作

可以想成三步。

1. 收集：把真实生活里的声音、图片、记录聚到一起。
2. 标注：给例子起对的名字。把口算题标成作文，后面就会越学越糊。
3. 训练：程序反复对照，调整内部的匹配方式。

用的时候，再拿新例子来试。这叫测试或检验。训练时见过的例子，不能完全代表从没见过的新情况。

检查粮食，可以用三个字：

「净」还有一层：要得到允许。你交出去的每一张图、每一段音，都可能变成粮食。

质量、数量、偏见，三件事缠在一起。很多但很单一，仍然会偏；少而乱，更学不稳。

生活里

学认班级徽章，要看很多张照片：有正面的，有歪的，有被手挡住的。只看一张，太容易误导。

学听单词，要听很多人读。只听一位同学，换一个人就可能不稳。

学 推荐练习，要看很多人哪一题常错。只看今天一份午餐盘子，不能断定「她从不吃青菜」。一个例子会骗人；多样的例子，才比较像真的生活。

你自己也在「生产」数据。点一条视频、拍一次作业、对着软件读单词，都可能留下记录。所以拍作业要光线够、纸放正；也所以，不能把同学的脸随便喂给陌生软件。

相近差别

训练数据和「普通资料」不一样。一本说明书给人读；训练数据是给程序一遍遍对照用的。它要能被切成例子，并且常常需要标签。

它和模型也不一样。数据是粮食，模型是吃完粮食长出来的本领。没有数据，模型长不大；有了模型，也不等于数据可以乱来。

它和 人类智能用的经验也不完全一样。人看两次班徽往往就会；机器常常要很多张才稳。人还会问「这样拍别人，行不行」；数据自己不会问，人要替它把关。详见 伦理。

常见误会

误会 1：一张特别清晰的照片就够了。

清晰很好，可它只代表一种样子。下雨、侧脸、口罩，仍然没见过。

误会 2：数据越多就一定越好、越公平。

如果很多数据都偏向同一类人、同一种天气，数量多也会偏。

误会 3：没有数据，人工智能也什么都会。

不会。没有例子，本领长不大。

误会 4：标签贴错没关系，反正数据很多。

错的名字会把学习带歪。把口算题标成作文，它会越学越糊。

误会 5：公开在网上的照片，就可以随便拿去训练。

网上能看见，不等于别人同意你拿去训练。人脸和声音更要问过本人。

想知道更多

• 书：蔡宗翰《写给小学生看的 AI 课》（把数据比作粮食，好懂）。
• 书：《图解 10 岁就懂的 AI 入门》。
• 书：清华大学《人工智能通识（小学版）》。
• 纪录片：《阿尔法狗》能看见棋谱怎样变成训练例子；《你好，人工智能》常讲数据从哪里来。和家长一起看。
• 想一想：你愿意把清晰的正脸，交给一个不认识的网站吗？不愿意，就停下。