AI 术语表 · 入门 · 语言模型
无监督学习
无监督学习是一种机器学习方法：只提供没有标注答案的数据，让 AI 自行把相似的数据归为一类，或找出其中隐藏的结构。
通俗解释 就像收到一箱从没见过的物品，没人告诉你该怎么做，你也会把外形相似的东西分在一起整理。不过，AI 无法给分好的组起名字，每一组代表什么需要由人来解读。
工作原理
无监督学习中没有“这是猫”之类的答案。模型通过观察数据之间有多相似、哪些特征会一起出现来寻找模式。典型任务是把相似数据归为一组的“聚类”。此外，在数据特征过多时只保留核心特征加以简化的“降维”，以及找出与其他数据明显不同的值的“异常检测”也很常用。
为什么重要
世界上的数据大多没有标注答案，而由人逐条标注成本很高。无监督学习能直接利用这类数据，因此价值很大。它也有助于发现人们没有想到的分类或模式。如今 LLM 的预训练那样从数据本身产生训练信号的方法（自监督学习），同样使用大量没有答案的数据，在这一点上与无监督学习一脉相承。
注意事项
由于没有答案，很难判断结果是否“正确”。即使是同样的数据，方法或设置不同，也可能得到完全不同的分组。找出的分组是否真正有意义，最终还需要人来确认和解读。因此在实际工作中，它常被用于理解数据的探索阶段，或作为其他学习的准备阶段。
示例
网上商城常常分析顾客的购买记录，把顾客分成若干群体。即使没有事先设定“精打细算型”“冲动消费型”之类的答案，购买时间、金额、常买品类相近的顾客也会被自动归到一起。营销人员根据这些分组，为每个群体设计合适的折扣或推荐。