轰炸机、茄子和AI：贝叶斯直觉

幸存者偏差的经典教训：别只看“回来”的数据

二战期间，美军统计返航轰炸机的弹孔，发现机翼和机身弹孔密集，引擎几乎完好。军方高层据此决定加固机翼和机身。

但统计学家Abraham Wald问了一个关键问题：那些没回来的飞机呢？

引擎中弹的飞机大概率直接坠毁，根本没机会出现在统计样本里。所以，“引擎没弹孔”不是安全信号，而是死亡证明。

这个直觉，正好对应贝叶斯定理的核心：用“先验”校正“证据”，还原隐藏的真相。

---

贝叶斯定理的通俗理解

贝叶斯定理公式如下（无需死记硬背，理解逻辑即可）：

• P(A|B) = 看到证据B之后，对事件A的新信念（后验）
• P(A) = 事先对事件A的信念（先验）
• P(B|A) = 如果A为真，出现证据B的可能性（似然）
• P(B) = 证据本身出现的概率

用大白话：你根据已有认知（先验），结合新看到的证据（数据），通过评估“证据在假设下出现的概率”（似然），更新你对事物的判断（后验）。

---

印度学校的“茄子中毒”乌龙

上世纪80年代印度，某学校老师发现：晕倒的学生中，70%早上吃过茄子。老师立刻认定茄子导致昏厥。

但问题在于：他没调查那些没晕倒的学生。在当时的印度，茄子是廉价主食，70%的学生早饭都吃茄子。

贝叶斯计算一下：

• 先验：学生晕倒的概率只有1%
• 证据：70%的学生吃茄子（包括晕倒和没晕倒的）
• 似然：晕倒的学生中70%吃过茄子

计算后验：P(晕倒 | 吃过茄子) = (70% × 1%) / 70% = 1% —— 和普通学生晕倒概率一模一样。茄子完全无辜。

老师犯了和美军相同的错误：忽略了没“中弹”（没晕倒）的数据。

---

从二战到学校，再到今天的AI模型

你可能会问：这些几十年前的例子，跟今天的大模型有什么关系？

关系大了。

现在的机器学习模型，核心就是一行代码：model.fit(data)。

这个.fit函数的工作方式是：从历史数据中找模式。如果训练数据本身带有偏差（比如只收集了“返航的飞机”或“晕倒的学生”），模型就会像那位老师一样，把局部相关当全局因果。

举个例子：用“成功人士传记”训练一个生成简历的大模型。数据中90%的人毕业于名校、就职大厂。模型会得出结论——优秀简历=名校+大厂。然后它为你朋友生成简历时，可能自动加上“斯坦福毕业”，即使朋友根本没去过。

这不是bug，这是幸存者偏差的数学表达。

---

贝叶斯思维如何拯救AI

解决方法是：在.fit之前注入一个“先验”。

比如，对那个简历模型，我们可以在训练前告诉它：“先听着，名校毕业生在总人口中只占5%，所以别因为数据里名校多就盲目崇拜。”

这就是贝叶斯正则化的思想——用先验约束模型，让它不被表面假象牵着走。像Dropout、L1/L2正则化，本质上都是在给模型注入“合理的怀疑”。

---

大模型的“幻觉”是必然的

大语言模型（LLM）本质是一个超大号的概率词曲生成器。它没有“事实”概念，只会根据海量训练文本的统计规律，预测下一个最可能的词。

它的训练数据来自互联网，而互联网上能留存下来的文本天然带“幸存者偏差”：爆款帖子、成功案例、重大事件多，平淡日常少。

所以，当你问一个冷门问题，模型可能会自信地编造答案——因为它用训练数据里最常见的模式（比如“名人通常毕业于名校”）来“填补”缺失信息。

就像Cobb在《盗梦空间》里警告的：永远不要用记忆造梦，否则你会分不清现实与幻觉。LLM正是用记忆（训练数据）造梦，它没有现实锚点。

---

如何成为“贝叶斯读者”

每次看到AI的输出，不要盲目信任。问自己三个问题：

1. Wald之问：这次回答中，哪些关键数据没有“返航”？
2. 质疑相关：模型发现的“相关”是真实因果，还是数据偏差导致的文化刻板印象？
3. 品控温度：AI越流畅、越有诗意，越可能为了美感牺牲事实。

概率AI的强大不在于它100%正确，而在于它能精确量化自己有多不确定。

你看数据的方式，决定了你离真相有多远。

---

延伸阅读

• 随机变量与概率分布：现代AI的基石
• 深入理解分布：从扩散模型到高斯混合聚类
• 贝叶斯视角下的正则化：Lasso、Dropout
• MCMC：无需真正采样的采样艺术
• VAE的秘密：无需恐惧的欣赏
• GNN：图神经网络直觉

注：以上为作者系列文章，原文有完整链接。