想象一个婴儿刚刚来到这个世界。他听不懂任何语言，也不知道“猫”是什么、“狗”是什么。但是当他反复听到妈妈指着毛茸茸的动物说“猫”，再看到另一个动物时说“狗”，慢慢地，他的大脑就在声音和画面之间建立了连接。几个月后，他就能自己说出“猫”这个词了。
AI的学习过程，本质上和这个婴儿一模一样，只是速度要快上几万倍。
AI模型一开始就像一个空白的婴儿大脑——里面的所有数字都是随机设置的。然后，工程师会给它“喂”海量的例子：比如把100万张图片和它们的标签（“猫”、“狗”、“汽车”……）一张一张地给AI看。每看一张，AI会猜一次：“这应该是猫吧？”如果猜对了，它就加强刚才那条神经连接的“权重”；如果猜错了，就调整一下，让自己下次更接近正确答案。这个过程叫做训练。
训练结束后，AI并不是真正“理解”了猫是什么，而是它的内部数字组合已经能够把猫的特征（耳朵形状、胡须、瞳孔）和“猫”这个标签精确地对应起来。当你给它一张全新的、从未见过的猫的照片时，它就能正确识别出来——因为它已经“见过”足够多的猫了。
有趣的是，AI对训练数据非常挑剔。如果你只给它看白猫的图片，它将来可能认为所有猫都必须是白色的。这也就是为什么AI会带着“偏见”——不是因为它坏，而是因为它学到的样本不够全面。