，后验升到50（这个50成了下一次的先验）；
3 第二次更新：你跳过了一条炒菜视频，似然度是“喜欢美食的人跳过炒菜视频的概率20，不喜欢的人跳过的概率80”又成了下一次的先验）；
4 第三次更新：你收藏了旅游视频，似然度调整后，后验降到15——ai就知道“你现在可能更喜欢旅游”，开始推旅游内容。
这种“循环迭代”的能力，让ai能像人类一样“持续学习”，不会停留在旧判断里。
四、贝叶斯推理在ai里的4个真实应用：从刷手机到救命，都有它的影子
光说理论太抽象，咱们看几个贝叶斯推理在ai里的真实应用，你会发现“原来我每天都在跟贝叶斯ai打交道”。
你刷抖音、淘宝时，ai的推荐为什么会“越来越懂你”？核心就是贝叶斯推理。
比如淘宝ai要给你推荐“裙子”
- 先验概率：根据“你所在城市是广州（夏天热）”“你之前买过2次短袖”，定“你可能想买夏天裙子”
- 似然度：你点击了一条“碎花短裙”的链接——算两个似然度：“想买夏天裙子的人，点击碎花短裙的概率70；不想买的人，点击的概率10”
- 后验概率：算出来“你想买夏天裙子”就给你推更多碎花短裙、雪纺短裙；
- 再迭代：你把一条“黑色长裙”加入购物车（新信息），似然度调整后，“你喜欢长裙”的后验概率升高，ai又会多推长裙。
为什么有时候ai会“推错”？比如你误点了一条“男士运动鞋”，ai就会短暂把“你可能买男士鞋”的概率升高，推几次后发现你没再点击，又会把这个概率降下来——这其实就是贝叶斯在“试错修正”。
应用2：垃圾邮件过滤——“ai怎么知道这封是诈骗邮件？”
你邮箱里的“垃圾邮件过滤”功能，背后也是贝叶斯推理。ai要判断“这封邮件是不是垃圾邮件”
- 先验概率：根据“全平台邮件里，垃圾邮件占20”，定“这封是垃圾邮件”
- 似然度：提取邮件里的关键词，比如“免费领取”“银行卡号”“点击链接”
1 如果是垃圾邮件，出现“免费领取”垃圾邮件爱用这词）；
2 如果是正常邮件，出现“免费领取”正常邮件很少用）；
3 同理，“银行卡号”件里出现概率85，正常邮件里1；
- 后验概率：把这些关键词的似然度结合起来，算出来“这封是垃圾邮件”就把它归为垃圾邮件。
这种过滤方式比“固定关键词黑名单”好用多了：比如正常邮件里也可能有“免费领取”（比如公司发的福利通知），贝叶斯会根据“其他关键词”（比如有没有“尊敬的员工”“公司名称”）调整概率，不会误判；而如果垃圾邮件换了新关键词（比如“限时放送”），ai也能通过“新关键词的似然度”慢慢学习，更新判断。
应用3：语音助手——“你说的‘开空调’，ai怎么听懂的？”
你跟siri、小爱同学说“开空调”，它们能听懂，不是因为“认识这三个字”，而是贝叶斯在帮它们“猜你说的是什么”。
因为语音信号是“模糊的”：你说“开空调”，可能因为口音、环境噪音，ai接收到的信号是“开空tiao”“开kong调”“开空diao”——它要从这些模糊信号里，找出“最可能的正确指令”。
- 先验概率：根据“你之前经常说‘开空调’，很少说‘开空掉’‘开空调’”，定“你说的是开空调”
- 似然度：分析语音信号的特征（比如“tiao”算似然度：
1 如果正确指令是“开空调”，发出“开空tiao”
2 如果正确指令是“开空掉”，发出“开空tiao”
- 后验概率：算出来“正确指令是开空调”就执行“开空调”的指令。
如果ai猜错了，比如你说“开台灯”，它听成“开台灯”（其实是“开台灯”），你纠正它“是台灯不是台灯”——这时候“开台灯”的先验概率就会升高，下次再听到类似信号，ai就会优先猜“开台灯”。
应用4：医疗ai诊断——“ai怎么帮医生判断肿瘤是良性还是恶性？”
在医疗领域，贝叶斯推理是ai辅助诊断的“核心工具”，比如判断“肺部结节是不是恶性肿瘤”
- 先验概率：根据“40岁以上人群中，肺部结节是恶性的概率约5”，定“这个病人的结节是恶性”
- 似然度：结合病人的其他信息——
1 吸烟史：恶性结节患者里，有吸烟史的占80；良性结节患者里，有吸烟史的占20；
2 结节大小：恶性结节中，直径大于1的占90；良性结节中，直径大于1的占10；
3 ct特征：恶性结节有“毛刺征”；良性结节有“毛刺征”
- 后验概率：把这些信息的似然度结合起来，比如病人“有吸烟史+结节直径12+有毛刺征”，算出来“结节是恶性”就会提醒医生“这个结节