來源：市場資訊

（來源：圖靈人工智能）

轉(zhuǎn)自Python數(shù)智工坊，僅用于學(xué)術(shù)分享，如有侵權(quán)留言刪除

張三做了一次癌癥篩查，結(jié)果顯示陽性。

醫(yī)生告訴他，這個(gè)檢測的準(zhǔn)確率高達(dá)99%。

張三當(dāng)場崩潰，覺得自己大概率得了癌癥。

但如果我告訴你：張三真正患癌的概率，可能只有不到10%。

這不是在安慰他，這是數(shù)學(xué)。背后的邏輯，來自一個(gè)18世紀(jì)英國牧師的遺作——貝葉斯定理。

一、他是誰？一個(gè)從未見過自己最偉大作品出版的人

托馬斯·貝葉斯（Thomas Bayes），1702年生于英國，牧師出身，業(yè)余數(shù)學(xué)家。

他的一生默默無聞，既沒有大學(xué)教職，也沒有任何重要頭銜，在英國皇家學(xué)會(huì)的會(huì)員身份，據(jù)說還是朋友幫他爭來的。

1761年，貝葉斯去世，留下了一篇從未發(fā)表的手稿，甚至連他自己可能都不太確定這篇東西有沒有價(jià)值。

他的朋友理查德·普萊斯整理了這份遺稿，兩年后以貝葉斯的名義發(fā)表。文章幾乎沒有引起任何反響。

此后將近200年，這個(gè)定理被遺忘、被質(zhì)疑、被主流數(shù)學(xué)界打壓。直到20世紀(jì)下半葉，隨著計(jì)算機(jī)的出現(xiàn)，它才重新被發(fā)現(xiàn)——并在短短幾十年內(nèi)，徹底改變了統(tǒng)計(jì)學(xué)、人工智能、醫(yī)學(xué)診斷、搜索引擎……幾乎所有需要"在不確定中做決策"的領(lǐng)域。

一個(gè)牧師的遺作，遲到了200年，改變了世界。

二、貝葉斯定理在講什么？一句話的核心

在講公式之前，先記住這一句話：

當(dāng)你獲得新證據(jù)時(shí)，你應(yīng)該如何更新自己原有的判斷。

就這一句。

聽起來很簡單，但這句話背后隱藏著一種和我們?nèi)粘Ｖ庇X截然不同的思維方式。

三、一個(gè)故事：偵探破案

偵探老李接到一起案件：公司保險(xiǎn)柜里的錢不見了，嫌疑人只有兩個(gè)：財(cái)務(wù)A和倉管B。

第一步：初始判斷

在沒有任何證據(jù)之前，兩人的嫌疑程度相當(dāng)，老李初步估計(jì)A是嫌疑人的概率是50%。

這在貝葉斯語言里叫做先驗(yàn)概率——在看到新證據(jù)之前，對(duì)某件事的初始判斷。

第二步：發(fā)現(xiàn)了新證據(jù)

調(diào)查發(fā)現(xiàn)，案發(fā)當(dāng)晚A的門禁卡有異常刷卡記錄，而B的記錄完全正常。

老李要問兩個(gè)問題：

• 如果A真的是嫌疑人，他的門禁卡出現(xiàn)異常的概率有多高？—— 假設(shè)是80%

• 如果A不是嫌疑人，門禁卡也出現(xiàn)異常的概率有多高？—— 假設(shè)是20%（可能是系統(tǒng)故障）

第三步：更新判斷

貝葉斯定理把這些數(shù)字組合起來，告訴老李：在看到"門禁卡異常"這個(gè)證據(jù)之后，A是嫌疑人的概率是多少？

計(jì)算下來約為**80%**。

從50%升到了80%——證據(jù)讓懷疑更有分量了，但老李不會(huì)就此蓋棺定論，他還需要繼續(xù)收集證據(jù)。

如果接下來又發(fā)現(xiàn)A當(dāng)天的通話記錄有異常，他會(huì)再做一次更新；如果又發(fā)現(xiàn)A有不在場證明，概率會(huì)往回調(diào)。

每一條新證據(jù)，都是一次更新。這就是貝葉斯定理的核心：用新證據(jù)，持續(xù)校準(zhǔn)判斷。

四、公式長什么樣？換個(gè)寫法就懂了

貝葉斯定理的數(shù)學(xué)表達(dá)式是：

P(A|B) = P(B|A) × P(A) / P(B)

把故事里的話對(duì)應(yīng)進(jìn)來：

符號(hào)

意思

故事里的對(duì)應(yīng)

P(A)

先驗(yàn)概率：事件A本來發(fā)生的概率

A是嫌疑人的初始概率（50%）

P(B|A)

在A成立的前提下，看到證據(jù)B的概率

A是嫌疑人→門禁異常的概率（80%）

P(B)

證據(jù)B本身出現(xiàn)的概率（不管原因）

門禁異常這件事本身出現(xiàn)的概率

P(A|B)

后驗(yàn)概率：看到證據(jù)B后，A成立的概率

看到門禁異常后，A是嫌疑人的概率

用大白話翻譯這個(gè)公式：

更新后的判斷= 證據(jù)對(duì)這個(gè)判斷的支持力度 × 原始判斷÷ 這個(gè)證據(jù)本身出現(xiàn)的概率

或者更口語地說：

新判斷 = 舊判斷 × 這個(gè)證據(jù)有多"指向"這個(gè)判斷

五、回到張三：癌癥篩查那個(gè)反直覺的結(jié)論

現(xiàn)在有了工具，回來解開開頭那個(gè)讓張三崩潰的問題。

已知條件：

• 某種癌癥在人群中的患病率：**1%**（100個(gè)人里約有1個(gè)患者）

• 檢測準(zhǔn)確率：**99%**（真正患癌的人，99%會(huì)被檢出；沒患癌的人，99%顯示陰性）

• 張三的檢測結(jié)果：陽性

直覺告訴我們：準(zhǔn)確率99%，陽性結(jié)果，那大概率是真的患癌了。

貝葉斯告訴我們：先等一下，把這件事放到10000個(gè)人里想一想。

10000人里參加篩查：├── 真正患癌：100人（患病率1%）│   ├── 檢測陽性：99人  ← 真陽性（被正確檢出）│   └── 檢測陰性：1人└── 沒有患癌：9900人├── 檢測陽性：99人  ← 假陽性（被誤報(bào)）└── 檢測陰性：9801人

所有檢測陽性的人：99 + 99 = 198人

其中真正患癌的：99人

所以張三檢測陽性，真正患癌的概率：99 ÷ 198 = 50%

而如果這種癌癥更罕見，患病率只有**0.1%（1000人里1個(gè)），那陽性之后真正患癌的概率只有約9%**。

準(zhǔn)確率99%的檢測，陽性結(jié)果只有9%的可能是真的患癌——這不是數(shù)學(xué)魔術(shù)，這是真實(shí)的醫(yī)學(xué)統(tǒng)計(jì)現(xiàn)象，有個(gè)專有名詞叫**"假陽性悖論"，也稱"基礎(chǔ)率謬誤"**。

核心教訓(xùn)：任何檢測結(jié)果，都必須結(jié)合"這個(gè)病本身有多罕見"來解讀，而不能只看準(zhǔn)確率。

這也是為什么很多篩查分階段進(jìn)行：初篩陽性→精確復(fù)查→再次更新概率判斷→最終確診。每多一條證據(jù)，判斷就更準(zhǔn)一次。

六、貝葉斯思維，對(duì)普通人的三個(gè)實(shí)際用處

貝葉斯定理不只是數(shù)學(xué)公式，更是一種在不確定的世界里理性決策的思維框架。

用處一：不要被"一個(gè)證據(jù)"徹底翻盤

你對(duì)同事小王的印象一向不錯(cuò)——工作認(rèn)真，為人靠譜（先驗(yàn)：他是個(gè)靠譜的人，90%）。

然后有人跟你說，小王在背后說了你的壞話（新證據(jù)）。

直覺反應(yīng)：立刻把對(duì)他的信任清零，從此疏遠(yuǎn)。

貝葉斯反應(yīng)：先問兩個(gè)問題——這個(gè)消息來源可靠嗎？即使消息屬實(shí)，這一件事能否推翻你們多年相處積累的90%信任度？

證據(jù)會(huì)更新判斷，但更新的幅度，取決于證據(jù)的可靠程度和你的先驗(yàn)有多強(qiáng)。一條二手傳言，不應(yīng)該讓一段長期積累的判斷瞬間歸零。

貝葉斯不讓你無視證據(jù)，但也不允許你被單一證據(jù)綁架。

用處二：識(shí)破"以偏概全"的陷阱

新聞報(bào)道：某地有人因?yàn)槌酝赓u食物中毒。

很多人看完就開始恐慌，不敢點(diǎn)外賣了。

貝葉斯會(huì)問：這件事有多罕見？它改變了多少概率？

如果每天有1億個(gè)外賣訂單，出現(xiàn)1例食物中毒，概率是0.000001%。這條新聞會(huì)輕微更新你對(duì)外賣安全性的判斷——但更新幅度應(yīng)該極小，而不是引發(fā)全面恐慌。

稀少的壞事之所以總上新聞，恰恰是因?yàn)樗∩佟?貝葉斯幫你把"新聞的顯著性"和"事件的真實(shí)概率"分開來看，避免被媒體的選擇性報(bào)道帶偏判斷。

用處三：做更好的決策，即使信息不完整

假設(shè)你在考慮投資一個(gè)創(chuàng)業(yè)項(xiàng)目。

你不可能100%確定它會(huì)成功，但貝葉斯給你一套清晰的決策框架：

• 先估基礎(chǔ)成功率（行業(yè)內(nèi)同類早期項(xiàng)目的存活率，假設(shè)20%）—— 這是先驗(yàn)

• 逐條收集證據(jù)，逐次更新：

• • 創(chuàng)始人有成功退出經(jīng)驗(yàn)？概率上調(diào)

  • 產(chǎn)品已有付費(fèi)用戶？再上調(diào)

  • 所在賽道競爭極度激烈？下調(diào)

  • 核心團(tuán)隊(duì)剛剛有人離職？再下調(diào)

  最終你的判斷，不是來自某一個(gè)決定性信號(hào)，而是來自所有證據(jù)的綜合積累。

  這才是理性決策的真實(shí)面目——不是"感覺對(duì)了就沖"，也不是"沒有百分百把握就不動(dòng)"，而是基于現(xiàn)有證據(jù)給出當(dāng)下最合理的判斷，并隨時(shí)準(zhǔn)備更新。

  七、貝葉斯改變了哪些領(lǐng)域？

  貝葉斯定理已經(jīng)深入滲透進(jìn)現(xiàn)代世界的技術(shù)底層，你每天都在用，只是不知道。

  垃圾郵件過濾看到"免費(fèi)領(lǐng)取""點(diǎn)擊鏈接""恭喜中獎(jiǎng)"這些詞，系統(tǒng)用貝葉斯不斷更新"這封郵件是垃圾郵件的概率"，超過閾值就進(jìn)垃圾箱。這是最早被大規(guī)模落地的AI應(yīng)用之一。

  醫(yī)學(xué)診斷輔助醫(yī)生做鑒別診斷的過程，本質(zhì)上就是貝葉斯推斷：根據(jù)癥狀（證據(jù)），不斷更新對(duì)各種疾病的概率判斷，最終鎖定最可能的診斷結(jié)論。

  搜索引擎與推薦算法你輸入"蘋果"，搜索引擎要判斷你是想找蘋果手機(jī)還是蘋果水果——它綜合你的歷史行為、當(dāng)前上下文、地理位置，用貝葉斯估計(jì)最可能的意圖。

  大語言模型ChatGPT、Claude這類AI，底層的語言生成邏輯，本質(zhì)上就是在不斷預(yù)測"下一個(gè)最可能出現(xiàn)的詞"——這是貝葉斯概率推斷的直接應(yīng)用。

  自動(dòng)駕駛自動(dòng)駕駛汽車用貝葉斯濾波持續(xù)融合攝像頭、雷達(dá)、激光雷達(dá)的傳感器數(shù)據(jù)，實(shí)時(shí)更新對(duì)周圍環(huán)境的感知和判斷，毫秒級(jí)做出行駛決策。

  八、貝葉斯思維最難的地方：承認(rèn)"我不確定"

  貝葉斯定理有一個(gè)前提，是很多人心理上不愿意接受的：

  你必須先給出一個(gè)初始概率——哪怕是估算的。

  傳統(tǒng)的嚴(yán)謹(jǐn)觀念認(rèn)為：沒有足夠數(shù)據(jù)，不能下結(jié)論，猜測是不科學(xué)的。

  貝葉斯說：你永遠(yuǎn)需要從某個(gè)起點(diǎn)出發(fā)。承認(rèn)"我現(xiàn)在只有60%的把握"，比假裝"我沒有意見"要誠實(shí)得多，也有用得多。隨著證據(jù)積累，你的判斷會(huì)越來越準(zhǔn)。

  確定性不是判斷的前提，而是不斷積累證據(jù)之后的結(jié)果。

  結(jié)語

  一個(gè)18世紀(jì)的英國牧師，在去世前寫下了一篇關(guān)于概率的手稿。他不會(huì)知道，它會(huì)被寫進(jìn)每一臺(tái)自動(dòng)駕駛汽車的算法里、每一個(gè)垃圾郵件過濾器里、每一次醫(yī)學(xué)影像的圖像重建里。

  貝葉斯定理的本質(zhì)，是一種對(duì)世界更謙遜、也更理性的態(tài)度：

  我不知道真相，但我會(huì)根據(jù)現(xiàn)有證據(jù)給出最好的判斷；當(dāng)新的證據(jù)出現(xiàn)，我會(huì)更新判斷，而不是死守立場。

  這不只是數(shù)學(xué)，這是面對(duì)不確定世界的生存哲學(xué)。