诉学生哪道题做对了、哪道题做错了，然后教学生怎么改正，学生慢慢调整自己的解题思路，直到能把题都做对。ai的“训练”也是这个逻辑。
咱们还是以ai“认猫”为例，来看看“训练”底是怎样的：
第一步，“给ai出题”——也就是给ai输入“数据”，比如一张猫的照片，让ai判断这张照片里是不是猫。这时候ai还没“学”过，就像刚上学的小孩没学过数学一样，根本不知道啥是猫，所以它可能会乱判断，比如把猫说成“狗”，或者把猫说成“兔子”。
第二步，“告诉ai对错”——这一步就像老师批改作业。工程师们知道这张照片里是猫，所以会告诉ai“你错了，这张照片里是猫，不是狗\/兔子”，同时还会告诉ai“猫有这些特征：毛茸茸的身体、尖耳朵、圆眼睛……你刚才没注意到这些特征，所以判断错了”。
第三步，“ai调整思路”——ai知道自己错了，也知道错在哪儿了，就会按照工程师的提示，调整自己的“算法”（认猫步骤）。比如之前ai判断的时候没关注“耳朵形状”，现在就会把“看耳朵形状”这个步骤加进去，或者更重视这个步骤。
第四步，“反复练习”——接下来，工程师会给ai输入更多的“数据”，可能是另一张猫的照片，也可能是一张狗的照片，让ai继续判断。ai用调整后的“算法”去判断，如果又错了，工程师再告诉它对错和原因，ai再调整“算法”；如果对了，就继续给它新的“数据”练习，直到ai能准确判断出大部分照片里是不是猫。
这个“出题—批改—调整—再出题”的循环过程，就是ai的“训练”。而且ai的“训练”比学生做题要“勤奋”得多，学生一天可能做几十道题就累了，但ai可以24小时不间断地“做题”，一天能“看”几十万甚至几百万张照片，所以ai的“学习速度”比人快很多，用不了多久就能形成能准确“认猫”的“模型”。
再比如ai训练“推荐视频”也是一样的道理：
第一步，“给ai出题”——给ai输入一个用户的观看记录（数据），让ai推荐这个用户可能喜欢的视频。ai一开始不知道用户的喜好，可能会推荐一些用户不感兴趣的视频，比如用户喜欢看美食视频，ai却推荐了科技视频。
第二步，“告诉ai对错”——工程师会根据用户的反馈来“批改”ai的推荐：如果用户把ai推荐的科技视频划走了，就告诉ai“你错了，这个用户不喜欢科技视频”；如果用户给ai推荐的美食视频点了赞，就告诉ai“你对了，这个用户喜欢美食视频”。
第三步，“ai调整思路”——ai根据用户的反馈，调整自己的“算法”（推荐步骤）。比如之前ai推荐的时候没考虑“用户点赞过美食视频”这个信息，现在就会把这个信息加进去，以后给这个用户推荐视频的时候，多推荐美食类的内容。
第四步，“反复练习”——ai用调整后的“算法”给更多用户推荐视频，再根据用户的反馈（点赞、评论、转发、划走）继续调整“算法”，反复循环，直到ai推荐的视频能让大部分用户满意，这时候“推荐视频的模型”就训练好了。
所以你看，ai的“训练”其实就是一个“不断试错、不断调整”的学习过程，和咱们上学时老师教咱们做题的逻辑完全一样，只是ai更“能扛”，能一直不停地“练习”，直到把“知识”学会，形成能用的“模型”。
三、用一个简单类比，把四个术语串起来，一眼看懂ai逻辑
前面咱们逐个拆解了“算法”“数据”“模型”“训练”这四个术语，可能你已经分别理解了，但还是有点分不清它们之间的关系。别急，咱们用一个生活里最常见的例子——“学做饭的新手”，把这四个术语串起来，你一下子就能明白它们之间的联系，也能看懂ai的基本逻辑。
咱们把ai比作一个“刚学做饭的新手”
- 数据就是新手做饭需要的“食材”。比如新手要学做番茄炒蛋，就得准备番茄、鸡蛋、油、盐、糖这些食材，没有这些食材，新手再想做饭也做不了。ai也一样，没有“数据”（比如认猫需要的照片、推荐视频需要的用户记录），再厉害的ai也没办法“学习”和“做事”。
- 算法就是新手做饭需要的“菜谱”。新手不知道怎么炒番茄炒蛋，就得照着菜谱一步步来：洗番茄、切番茄、打鸡蛋、炒鸡蛋、炒番茄、混合翻炒……这些步骤就是“菜谱”。ai也需要“算法”（做事步骤），比如认猫需要“看耳朵、看眼睛、看身体”的步骤，推荐视频需要“分析用户点赞、分析用户观看时长”的步骤，没有“算法”，ai就不知道该从哪儿下手。
- 训练就是新手“练习做饭的过程”。新手第一次做番茄炒蛋，可能会把鸡蛋炒糊，或者把番茄炒得太烂，这时候妈妈会告诉她“火太大了，下次把火调小一点”“番茄别炒太久，炒出汁就行”。新手听了妈妈的话，下次做饭的时候调整一下步骤，再练习