AI为什么不会固执？

7.1 AI不是知道得更多，而是能够持续更新

第六章最后，我们把问题停在了一个词上：更新。现实一直在给出结果，可真正困难的是，这些结果回来以后，原来的判断能不能真正接受检查。

进入第七章，我们换一个对象来看这件事。机器当然也会犯错，但机器学习最值得观察的地方，并不是它“知道得特别多”，而是它的状态可以在新的样本、误差和评估中继续被调整。

训练数据、计算能力和模型规模都很重要。但如果“装进去的信息多”本身就等于智能，那硬盘应该早就接管公司了。毕竟里面可能存着几百万份文件，通常没人因此请它当CEO。

更值得注意的是：信息进入以后，系统有没有因此形成新的能力；错误出现以后，系统还能不能继续改变。

一开始连数字也认不准的模型

在TensorFlow的一份公开入门教程里，有一个很小的任务：让模型识别手写数字。对人来说，只是看看图片里写的是几；对一个刚建立、还没有训练的模型来说，最初给出的概率却接近随机。

教程随后利用图片的正确标签计算误差，并据此调整模型参数。随着训练继续，模型的表现逐渐改善；再用没有参与训练的测试图片检查时，示例记录中的识别准确率接近98%。

从输出接近随机，到能够识别大部分测试图片，中间真正发生变化的，并不是硬盘里多了几个文件，而是模型内部参与判断的状态发生了变化。

当然，这只是一个范围有限的数字识别任务。它不能证明模型理解了整个世界，也不保证换一种场景仍然有同样表现。但它把“更新”这件事变得很具体：同样面对数字图片，训练后的系统已经和训练前不一样。