自监督学习是什么？没有标准答案，AI 怎么自己给自己出考卷
标签太贵，才是真麻烦
监督学习要「题目+答案」配对，可现实里绝大部分数据是没有答案的。你电脑里几百万张照片、全网几十亿网页，谁给你标好「这是猫」「那句在吐槽」？真要人标，成本大到离谱。所以很长一段时间，海量数据白白躺着用不上。自监督学习就是冲着这个痛点来的：它想办法自己造答案。
自监督：把数据拆成「题」和「答案」
思路很巧——不靠外部标签，而是从数据内部挖监督信号。比如一句话，遮住中间一个词，让模型猜被遮的是啥；一张图，遮掉一块，让模型补全。被遮的部分就是「答案」，剩下的就是「题目」，全从同一份数据里来，零人工标注。模型在海量这种自造题上练，慢慢摸到了语言规律、视觉结构。
一个比喻：完形填空练出的语感
你小时候做英语完形填空，没人逐句讲解，就是反复练「空着的地方该填啥」。练多了，哪怕没标准答案摆着，你读句子也自然知道哪里顺、哪里别扭——语感就这么来的。自监督就是让模型做几十亿道完形填空，它不需要人告诉它语法书怎么写，自己把规律「悟」出来。大模型之所以懂那么多，底子就是这海量自监督预训练。
它和「无监督」差在哪
名字像，其实两码事。无监督（比如聚类）是「你别管答案，自己看结构」；自监督是「我给你造了个明确目标，你照样去解」。自监督本质还是监督学习，只是标签自己生成的，不用花钱雇人。这点区别很关键：正因为它有清晰目标，训出来的表征才又稳又强，成了今天预训练的主流范式。
为什么大模型都离不开它
BERT、GPT 那一串厉害模型，第一步都是在海量文本上做自监督：遮词预测、看下一个词。没有这步，后面微调、对齐都无从谈起。说白了，自监督解决了「没标签也能学」这个根本难题，把互联网上几乎无限的数据变成了养料。你用的每个大模型，背后都站着这套「自己给自己出考卷」的机制。
小结
自监督学习绕开了人工标注的天花板：它不给标准答案，而是从数据内部拆出「题」和「答案」，让模型在填空、补全里自学出对语言、图像的理解。它和无监督不同——后者让你随便看结构，前者给你明确目标，本质还是监督，只是标签免费自产。正是这招，撑起了 BERT、GPT 们的上亿次预训练，把全网无标签数据变成了真金白银的养料。理解自监督，你就懂了大模型「博学」的底牌：不是谁替它标好了世界，而是它学会了给自己出考题。下次再有人说 AI 靠人喂答案，你可以笑而不语——它早就在自己考自己了。
