主動學習（active learning）

聰明的學生不會讓老師把自己早已懂的東西再講一遍；他們恰恰在自己犯迷糊的那些點上舉手。這種有的放矢的提問，正是主動學習的核心：模型不再隨機地給資料貼標籤，而是由它自己挑出哪些無標籤的例子最能教會它，再請人專門去標註那些。

動機在於成本。標註是機器學習裡最燒錢的環節——花錢請專家標記影像、轉寫音訊、評判文字。一個大的無標籤池裡，多數例子又簡單又重複，標了它們模型也學不到什麼。主動學習是個循環：先用手頭的資料訓練，再掃一遍無標籤池，挑出模型最拿不準的（或最可能改變它判斷的）那些例子，送去給人標，把新標籤併進來，然後重複。把標註預算花在刀刃上，你就能用少得多的標註例子達到同樣的準確度。

只要無標籤資料充裕、而標註又慢又貴，它就確實有用。誠實的提醒：一味追著模型最拿不準的點跑，可能把標註集偏向古怪的邊角案例，反而漏掉了尋常的大頭；而模型對「拿不準」的判斷，又不會比模型本身更高明——在早期，它對「自己不知道什麼」可能正自信地錯著。它還需要一個人始終在環裡，這限制了它能擴展到多大規模。