本文是《大模型从0到精通》系列第一卷“奠基篇”的第二章。上章我们找到了预测直线，但怎么知道这条线是“好”是“坏”？本章将引入损失函数——AI的“错题本”与“得分卡”，让你理解AI如何量化自己的错误，为后续的优化学习奠定基础。
一、从“感觉差不多”到“数字评分”
上章我们通过奶茶店案例找到了预测直线 。但有个关键问题没解决：
你怎么知道这条线是“好”是“坏”？是“差不多”还是“差很多”？
凭感觉？看心情？不行！我们需要一个客观、量化的评分标准。
从单点误差开始
看下面这个数据点：气温28℃，实际销售额105杯，我们的模型预测是：
这个“9杯”就是单点误差——数据点到预测直线的垂直距离。距离越远，错得越离谱。
二、损失函数：AI的“考试总分”
把所有误差综合成一个数字
一个数据点有误差不够，我们要看整体表现。就像考试：
- 单题得分 → 单点误差
- 总分 → 损失函数值
最常见的损失函数是均方误差（MSE）：
- 计算每个数据点的误差
- 把误差平方（让大误差惩罚更重）
- 求所有平方误差的平均值
公式：计算预测值与真实值差的平方的平均值 loss = (y_pred - y_true)² / n
为什么用平方？
- 消除正负号影响：误差平方后都是正数
- 放大严重错误：误差10杯 → 惩罚100，误差20杯 → 惩罚400（4倍！）
- 数学性质好：方便求导，利于后续优化
三、最强比喻：错题山谷
把抽象问题可视化
想象一个三维地形
口袋工具（七）)
Fine-tuning和RAG)
