损失函数：AI 学习的“错题本”

损失函数衡量模型预测与真实答案的差距，差距越大损失越大。训练的目标就是不断调整参数让损失降到最低——可以说整个机器学习都在“最小化损失函数”。

损失函数像是给模型的评分标准：你定义什么为“错”，模型就朝什么方向改。这也是 AI 价值对齐的技术入口——把人类偏好写进奖励函数（RLHF），模型就会学着迎合人类期望。损失函数看似技术细节，实则承载着价值选择。

## 核心要点

图片来源：Openverse / tedxdcu（https://www.flickr.com/photos/128824368@N06/16324937697）

1. 不同任务用不同损失：回归用 MSE，分类用交叉熵。

2. 损失函数的设计直接决定模型优化方向，错了全盘皆输。

3. 损失降不下去，可能是数据问题、模型问题或学习率问题。

4. 观察损失曲线是判断训练健康程度的基本功。

图片来源：Openverse / Kevin Rheese（https://www.flickr.com/photos/129440207@N08/27929852485）

## 写在最后

以上是关于「损失函数」的科普介绍。人工智能正在快速发展，相关概念和方法也在不断演进。希望本文能帮你建立对这一主题的基本认识。