AI 术语表 · 入门 · 语言模型
监督学习
监督学习是一种机器学习方式：向 AI 展示问题与正确答案配对的数据，让它自行掌握“这种输入对应这种答案”的规律。
通俗解释 这类似于用附带答案的习题册学习。做题、对答案、改正错误，反复下去，就能解出从没见过的题目。
工作原理
首先由人为每条数据标注正确答案。这个正确答案称为“标签（label）”，例如在每张照片上标明“猫”或“狗”。模型看到输入后给出答案，再与正确答案比较、计算错了多少，并朝着缩小这一差距的方向一点点调整内部数值。用大量样本重复这一过程，模型就能掌握输入与正确答案之间的模式。训练完成后，它也能对没有正确答案的新数据预测答案。
为什么重要
监督学习是当今实际使用的许多 AI 功能的基础。它尤其擅长“有明确正确答案的问题”，例如过滤垃圾邮件、识别照片中的物体、把语音转换成文字。由于结果可以直接与正确答案比较，衡量模型表现好坏也很容易。用于优化大语言模型（LLM）的 SFT（Supervised Fine-Tuning，监督微调），顾名思义也是监督学习的一种形式。
注意事项
收集大量带有正确答案的数据需要耗费大量时间和成本。如果正确答案本身有误或存在偏向，模型也会原样学到这些错误。此外，模型可能过度贴合训练数据，在新数据上表现下降，即出现过拟合。问题大致分为两类：从既定类别中选出一个的“分类”，以及预测数值的“回归”。
示例
电子邮件服务的垃圾邮件过滤器就是典型例子。把用户“举报为垃圾邮件”的邮件和普通邮件作为带有正确答案的数据来训练模型，模型就能自动判断新收到的邮件是否为垃圾邮件。用户的举报越多，正确答案数据就越多，过滤器也会随之变好。