课程学习

课程学习是什么？

人类学东西从来不是一上来就做奥数，而是先认数、再加减、再乘除。课程学习（Curriculum Learning）把这套「先易后难」的直觉搬进了机器学习：不给模型乱序投喂数据，而是按难度从低到高排好队，让它一级一级往上爬。

它和「随机洗牌」有什么不同？

随机投喂：容易学乱
如果一开始就混进大量难题，模型可能被绕晕、迟迟不收敛，甚至直接「躺平」只学最简单的。
课程式投喂：先打地基
先让模型吃透简单样本，把基本规律学会，再逐步加入难题，收敛更稳，最终效果往往更好。

难度怎么定？

人工设定
按经验给样本标难度：句子长短、图片清晰度、任务步骤数等。
让模型自己挑
有些方法会动态评估每个样本的「损失」或不确定度，把模型还不熟练的当作下一步重点——像老师随时调整进度。

它用在哪些地方？

训练大语言模型
先喂简单的短文本，再逐渐给长文、复杂推理，帮助模型平稳起步。
机器人学习
从简单的抓取动作到复杂任务链，逐步加码。
计算机视觉
从清晰、易识别的样本开始，再引入遮挡、模糊等难点。

它有什么局限？

课程学习不是万能药：难度排得不好、或任务本身无所谓难易，效果就可能不明显。它更像是「锦上添花」的调度策略，要和好的数据、好的模型一起用。

一句话记住：课程学习就是「先易后难」地给 AI 排课表，让它学得稳、学得好。