“過度擬合”是人工智能學習中一個普遍存在的問題。擬合是數學上的一個術語。比如，我們做一個物理實驗，研究力和加速度的關系（力=質量×加速度）。我們測量得到一組力和加速度的數據，將其描畫在坐標紙上。從理論上講，力和加速度應該是正比關系，在坐標紙上對應一條直線。但在實際測量中，把測量所得到的數據畫在坐標紙上時，這些點不可能剛好都落在一條直線上。這就需要通過適當的辦法，來歸納出這組數據的規(guī)律。這就是擬合。但擬合的方式有很多，你可以用最接近所有點的一條直線來擬合，也可以直接用一段段折線把相鄰點簡單連接起來。在后一種情況下，雖然所有點都落在你描畫的折線上，但這對于我們探索規(guī)律毫無意義。這就屬于過度擬合。過度擬合就是過度拘泥于一些不重要的東西，沒抓住本質，只能死板地重復已有的數據，而不能預言新情況。

假如你訓練人臉識別系統(tǒng)時，所有人臉圖片上的人都是有頭發(fā)的，而且頭發(fā)都是黑色的，那么這樣訓練出來的人臉識別系統(tǒng)，很可能就把“有沒有頭發(fā)”甚至“頭發(fā)是不是黑色”當作判斷是人臉還是普通物體的重要依據。這就屬于過度擬合。因為我們完全可以剃光頭或者把頭發(fā)染成黃色。

推而廣之，生活中死磕書本、死抱教條、思維僵化，應付不了新事物、新挑戰(zhàn)，從人工智能的角度說，也屬于過度擬合。

為了讓人工智能在學習過程中避免陷入過度擬合的陷阱，科學家往往在訓練時，有意輸入一些隨機的、扭曲變形的東西。譬如在訓練人臉識別系統(tǒng)時，故意讓有些圖片中的人臉模糊不清，讓有些人臉經過適當變形，這樣一個人即使離鏡頭較遠或者哪怕經歷胖瘦的變化，也能識別出來。這種策略對于提高人工智能的靈活性非常有效，現(xiàn)在被認為是不可或缺的步驟。

（愉兒摘自龍源期刊網）