贝叶斯方法在 AI 里用在哪些地方？一条统计路线

聊起 AI 的家谱，多数人记得神经网络这条主线，但旁边还有一条更老的统计路线：贝叶斯方法。它的名字来自一位十八世纪的英国牧师，它在 AI 历史里当过主角——垃圾邮件过滤的黄金年代就是它的舞台，后来退到台侧，又在不确定性问题里被重新请回来。今天你在邮箱里没看到的那堆广告邮件、推荐系统里的排序，背后都有这条路线的成分。这篇按公开文献讲它的应用脉络，不推公式。

一条比神经网络更老的路线

公开史料里，托马斯·贝叶斯在十八世纪中叶留下了一篇讨论概率的遗稿，1763 年由友人整理发表，其中包含后来以他名字命名的定理：看到新证据后，如何修正对某件事的判断。此后拉普拉斯等人把这套思想推进成系统的概率论。用一句话概括它的用处：先有一个初始判断，再随着证据不断更新——「信一半还是信九成，新证据说了算」。这个思路天然适合「结论会随数据变化」的场景，也因此在 AI 早期就被借来处理分类与推断问题，比神经网络登上舞台早了两个世纪。

垃圾邮件过滤的黄金年代

贝叶斯方法第一次大规模走进普通人生活，是在邮箱里。九十年代末，公开论文里已有用朴素贝叶斯做文本分类的研究；2002 年，保罗·格雷厄姆发表《A Plan for Spam》一文，用朴素的统计思路做垃圾邮件过滤，公开流传甚广，此后几年主流邮件服务商普遍采用了类似方案。朴素贝叶斯的原理不复杂：统计每类邮件里各个词出现的频率，遇到新邮件按词频算出「它是垃圾」的证据强度，综合起来给判断。它不需要理解语义，只认频率，效果却足够好——在那个年代，这是性价比极高的方案，也是无数用户对「智能过滤」的第一印象。

把贝叶斯路线在 AI 里的应用节点排成速查表：

本文为技术史梳理，不构成医疗建议。

1763 年，贝叶斯遗稿整理发表，定理面世；1980 年代，珀尔提出贝叶斯网络，结构化概率推断成形；1990 年代，朴素贝叶斯进入文本分类与语音识别；2002 年前后，垃圾邮件过滤普及，概率路线迎来大众时刻；2010 年代起，不确定性量化与校准成为新的用武之地。

贝叶斯网络与诊断推荐

比词频统计更进一步的应用是贝叶斯网络：把一堆变量之间的依赖关系画成一张有向图，证据在图上传播，得出各处的置信程度。计算机科学家珀尔在八十年代的公开论文里系统发展了这套方法，他后来在 2011 年获得图灵奖，颁奖理由里明确提到贝叶斯网络的贡献，这是公开记录。应用端，医疗辅助诊断是贝叶斯网络最典型的用场——症状与疾病之间的概率关系画成网络，输入观察到的症状，输出各类疾病的可能性，与同时期靠人工规则编写的专家系统（见专家系统一篇）形成有趣的对照：一个把知识写成规则，一个把知识写成概率。推荐与搜索排序里也有概率模型的身影，公开文献里的概率检索模型曾是搜索引擎排序的基础构件之一，统计语音识别时代同样以概率模型为核心，见统计语音识别一篇。

概率路线在深度学习时代的位置

2010 年代之后，深度学习成为 AI 的主叙事，贝叶斯方法从台前退到幕后——但它没有离场，而是换了个岗位。深度模型擅长给答案，却不太擅长说「我不确定」，而「知道自己不知道」恰恰是概率路线的老本行：把模型输出的置信程度与实际对上的频率做个对照，就是校准问题，见模型校准一篇；至于更一般的「模型对某个结论有多确定、证据不足时怎么留余地」，不确定性这条线的展开见不确定性一篇。大模型时代，回答里哪些该肯定、哪些该承认拿不准，公开讨论里仍经常回到概率的老框架上找工具。

一条路线的沉浮说明什么

把贝叶斯路线两百多年的履历放在一起看，能读出 AI 方法论的一个规律：没有永远的主角，只有轮换的岗位。它在分类与推断的岗位上效力了几十年，被深度学习顶替后，又在不确定性与可解释的位置上重新变得要紧。对普通使用者，这段历史也有一个朴素的读法：今天你用豆包查一个健康问题、用 DeepSeek 分析一份材料，AI 给出的答案里「信多少」这件事，本质上仍是贝叶斯式的问题——证据多强、先验如何、结论该打几折。方法会老，问题常新，这条统计路线沉浮两百余年的价值，正在于此。

关于贝叶斯方法的常见疑问

• 贝叶斯方法是谁提出的？公开史料口径：托马斯·贝叶斯留下遗稿，1763 年由友人理查德·普莱斯整理发表，拉普拉斯等人随后将其发展为系统的概率论。
• 垃圾邮件过滤真的用贝叶斯吗？九十年代末起公开论文与工业实践普遍采用朴素贝叶斯类方案，2002 年格雷厄姆的文章让它广为人知，此后主流服务商的具体实现各有演进，以公开资料为准。
• 深度学习时代贝叶斯还有用吗？有用但岗位变了：它更多用在不确定性量化、校准与推断问题上，而非正面替代深度模型，两者是互补关系。