名词解释 / 07
训练
英文名称：Training
常见别名：模型训练、机器学习训练
所属分类：进一步了解 AI 原理
一句话解释
训练，是让 AI 从大量真实案例里自己找规律、再把规律固化到内部参数里的过程：喂给它成千上万条带结果的记录（哪些邮件是垃圾邮件、哪些客户留言该转售后），它会反复调整自己，直到碰上没见过的同类输入也能给出大致靠谱的判断。可以理解成让新人靠钻研大量真实案例上手，而不是靠别人把规则逐条写死。
工作中什么时候会遇到
多数员工不会直接参与训练，但会在三类场合听到它。一是公司要上一个能自动干活的 AI（智能客服、邮件分拣、单据识别、产品质检），供应商或 IT 会说"需要先收集历史数据训练一个模型"。二是你用的办公 AI 产品宣传"让 AI 更懂你们公司"之类的功能，背后常带上"训练"两个字。三是培训、产品更新说明或行业新闻里出现"模型训练""微调"的说法。
需要知道的是，真正从零开始的训练成本很高，普通公司几乎不做；项目里说的"训练"，多数是在成熟模型基础上喂企业数据做小幅调整，甚至只是把资料接进知识库供检索。至于"缺陷样本不够、模型没法训"这类话，多出现在质检等场景——缺陷本来少见，等攒够样本订单早交付了，这也是为什么有供应商推销"不用真实样本也能训"的方案。
能解决什么问题
- 让通用 AI"懂行"：学会你们公司或行业的术语、产品型号、单据格式和表达习惯，输出更贴合实际。
- 把重复的判断自动化：邮件分类、工单分派、单据初审这类靠经验判断的活，交给学过的模型能省下人力。
- 处理"规则说不清"的识别问题：投诉类目边界模糊、外观缺陷种类多，很难用几条文字规则讲清楚，给足案例让模型自己学更现实。
- 把散落在个别人脑子里的历史判断沉淀成可复用能力：老员工的处理口径不再只靠口口相传。
- 定期用新数据重新训练，让能力跟上话术演变和业务变化。
举个例子
行政或 IT 牵头，想用 AI 把公司邮箱里的营销邮件和钓鱼邮件识别出来。输入是过去一年的几万封邮件，每封都带"正常／垃圾／疑似钓鱼"的标注；技术方取其中约八成让模型学规律，留约两成先不看，训完用留出的部分检验——如果在这部分上分错太多，说明没学好。达到约定标准后先不急着自动删信，只让模型把高风险邮件标出来供 IT 人工复核。输出不只是一个标签，还带"垃圾概率、风险理由"，方便人判断。人的确认点设两处：上线前抽检识别准确率；上线初期对自动标出的邮件逐封过目，把误判的收回来补进数据，用于下一轮训练。
怎么使用
普通员工能做的，是提供干净、有代表性的历史数据，被要求时如实给少量例子打标签，上线后把分错或漏判的案例反馈回去。训练本身通常由 AI 供应商或公司 IT 负责配置和执行，不需要写代码，一般也轮不到你点"训练"按钮。
如果你在用 WorkBuddy、千问办公这类产品，想让它更懂自己公司，常规做法是上传资料到知识库或选用现成模板。这类入口具体叫什么、怎么操作，以当前版本和官方说明为准，别以为点一下就真把模型"训练"了。
使用时要注意什么
数据决定上限，常说"垃圾进、垃圾出"：样本太少、某一类占比过高、标签标得不一致，模型都会学偏。所以规范流程一定会留出一部分数据先不参与训练、训完用来检验，上线后还要持续跟踪真实表现并定期补数据重训——不存在"训一次永久好用"。涉及客户和公司数据时，先确认是否允许用于训练、需不需要脱敏。
还要分清两种"训练"。真训练会改动模型本身，成本高、周期长；不少办公产品宣传的"用公司资料训练"，实际只是把文档接进知识库供 AI 检索，模型并没有被重新训练。两者效果、成本和更新方式都不同，选型时问清楚。另一些新技术宣称"不需要真实缺陷样本也能训练"，确实可行，但效果要放到你自己的现场小范围验证，别只凭演示就全量上线。
容易混淆的词
- 机器学习：更大的领域名称，指"让计算机从数据中学习"的整套方法；训练是这套方法里学习真正发生的那个环节，两者不是同一层级的词。
- 微调：训练和微调都会改模型内部，但训练常指规模较大、从基础起步的学习；微调是在已经训练好的模型上，用更专门、更小批的数据继续学一阵，是训练的一种后续做法。企业项目里常说的"训练"，其实多半是微调。
- 提示词（提示工程）：给模型写说明和例子是在"使用"层面引导它，不改变模型本身；训练把规律写进模型内部，效果更稳定，但成本高、耗时长，通常由技术人员来做。
- 知识库接入：把公司文档放进去，让 AI 回答时先检索这些资料，属于"给它查资料"，模型本身没变。很多产品宣传里被含糊叫作"训练"的，实际是这一步。
相关名词
相关图片
