作弊硬币的后验概率 = 0.302% ÷ 4.662% ≈ 6.5%。

也就是说，抛了10次8次正面后，“这枚硬币是作弊的”的概率，从原来的1%（先验）升到了6.5%（后验）——虽然还是低，但已经提升了6倍多。

如果再抛10次，还是8次正面（新信息），再算一次：

- 均匀硬币：先验概率现在是93.5%（因为上次后验是6.5%作弊，所以均匀是93.5%） × 似然度4.4% ≈ 4.11%；

- 作弊硬币：先验概率6.5% × 似然度30.2% ≈ 1.96%；

总概率 ≈ 4.11% + 1.96% ≈ 6.07%；

作弊硬币的后验概率 ≈ 1.96% ÷ 6.07% ≈ 32.3%。

你看，现在概率就升到32.3%了！如果再抛10次还是8次正面，这个概率会继续升到80%以上——越来越靠近“这枚硬币是作弊的”真相。

这就是贝叶斯推理的魔力：哪怕初始猜测错得离谱（比如一开始只觉得1%是作弊），只要有足够多的新信息，就能一步步修正，最终逼近真相。

AI也是这么干的：比如AI一开始觉得“你喜欢美食视频”的概率是30%（先验），你点赞1次火锅视频，概率升到50%（后验）；你又收藏1次烧烤视频，概率升到70%；你再转发1次甜品视频，概率升到90%——最后AI就确定“你肯定喜欢美食视频”，然后给你推更多相关内容。

三、为什么AI离不开贝叶斯推理？因为它解决了AI的“老大难”问题

你可能会问：AI的算法那么多，为什么偏偏要靠贝叶斯推理？其实是因为贝叶斯能解决其他算法搞不定的“老大难”问题，这些问题在AI里太常见了。

问题1：AI没那么多“完美数据”，贝叶斯能“用少数据猜真相”

很多AI算法需要“海量完美数据”才能干活。比如要让AI识别“猫”，得给它10万张标注好“这是猫”“这不是猫”的图片，它才能学明白。但现实中，数据往往不够——比如要识别“一种新发现的动物”，全世界可能只有几百张照片，这时候其他算法就歇菜了，但贝叶斯能上。

因为贝叶斯可以用“先验概率”补数据的缺口。比如要识别新动物“XX兽”，先根据“它跟老虎长得像”，定一个“先验概率”：“XX兽的图片里，有80%会有‘条纹’特征”，然后用仅有的几百张照片做“新信息”，不断修正这个先验——哪怕数据少，也能一点点靠近“正确识别XX兽”的目标。

本小章还未完，请点击下一页继续阅读后面精彩内容！

就像你第一次学做饭，没看过多少菜谱（数据少），但根据“煮面条要加水”的常识（先验），试着煮一次，发现水少了糊了（新信息），下次多加水（更新后验），试几次就会了——贝叶斯帮AI实现的，就是这种“边试边学”的能力。

问题2：AI要处理“不确定的信息”，贝叶斯能“量化概率”

现实世界里的信息，大多是“不确定”的。比如：

- 用户点了一个视频，可能是“真喜欢”，也可能是“误点”；

- 图片里有“两个尖耳朵”，可能是猫，也可能是狗、兔子；

- 病人说“头痛”，可能是感冒，也可能是没休息好、压力大。

这些“不确定”的信息，其他算法很难处理——要么当成“确定的信号”（比如认为“点了就是喜欢”），要么直接忽略。但贝叶斯能把“不确定”变成“概率”：比如“用户点视频，60%是真喜欢，40%是误点”，然后基于这个概率去更新判断，不会一刀切。

举个AI诊断疾病的例子：AI要判断一个“头痛”的病人是不是“感冒”。先验概率是“头痛病人里，10%是感冒”；然后看新信息“病人还发烧”——似然度是“感冒的人里，80%会发烧”“不是感冒的人里，5%会发烧”；最后算后验概率，发现“是感冒”的概率升到了62%——AI不会说“你肯定是感冒”，而是“你有62%的可能是感冒，建议再查一下”，这就比“一刀切”科学多了。

问题3：AI要“实时更新判断”，贝叶斯能“循环迭代”

AI的判断不是“一次性”的，而是要跟着新信息实时变。比如：

- 短视频推荐：你上午喜欢看美食，下午突然喜欢看旅游，AI得马上改推荐；

- 自动驾驶：前面的车本来在正常开，突然打了转向灯，AI得立刻判断“它要变道”，然后减速；

- 语音助手：你说“打开窗户”，它先猜“是客厅的窗户”，但你又说“不是，是卧室的”，它得马上改过来。

贝叶斯的“先验→似然→后验”循环，天生就适合这种“实时更新”——因为上一次的“后验概率”，就是下一次的“先验概率”。比如：

1. 初始先验：你喜欢美食视频的概率30%；

2. 第一次更新：你点赞火锅视频，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%”，算出来后验降到36%（这个36%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”。

应用1：短视频/电商推荐——“你喜欢什么，AI越猜越准”

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”的概率是40%；

- 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”的概率升到82%——AI就给你推更多碎花短裙、雪纺短裙；