主动学习（active learning）

聪明的学生不会让老师把自己早已懂的东西再讲一遍；他们恰恰在自己犯迷糊的那些点上举手。这种有的放矢的提问，正是主动学习的核心：模型不再随机地给数据贴标签，而是由它自己挑出哪些无标签的例子最能教会它，再请人专门去标注那些。

动机在于成本。标注是机器学习里最烧钱的环节——花钱请专家标记影像、转写音频、评判文本。一个大的无标签池里，多数例子又简单又重复，标了它们模型也学不到什么。主动学习是个循环：先用手头的数据训练，再扫一遍无标签池，挑出模型最拿不准的（或最可能改变它判断的）那些例子，送去给人标，把新标签并进来，然后重复。把标注预算花在刀刃上，你就能用少得多的标注例子达到同样的准确度。

只要无标签数据充裕、而标注又慢又贵，它就确实有用。诚实的提醒：一味追着模型最拿不准的点跑，可能把标注集偏向古怪的边角案例，反而漏掉了寻常的大头；而模型对「拿不准」的判断，又不会比模型本身更高明——在早期，它对「自己不知道什么」可能正自信地错着。它还需要一个人始终在环里，这限制了它能扩展到多大规模。