灵光 · 灵光 · · 国科智飞 Gavin

过度拟合：画了二十八年皇帝，为什么画谁都是他？

他画了二十八年的皇帝，比镜子里的还像——直到有一天，他再也画不出「不是皇帝」的东西。一个关于「过度拟合」的寓言。

景朝第七代，出了一个怪人。

这位画师姓卫，祖上三代都是宫中御用。卫先生二十二岁入宫，到五十岁，整整画了二十八年——画的对象始终只有一个人：皇帝。

他画的皇帝，与别处都不一样。

别的画师进殿，要被内侍反复训斥：不可直视天颜，要垂目三寸，要屏息，要快速勾稿。卫先生不需要这些规矩。他进殿时，皇帝正在批奏折、喝茶、皱眉、按太阳穴、打哈欠、咬笔杆、抬眼扫视太监——他就坐在三步外的矮凳上，安静地画。

二十八年，他画了六千多张。

他认得皇帝每一个微表情：左眉抬起的瞬间，是正打算说「准」；右眉沉下去的瞬间，是在压火气；无名指轻叩桌面两下，是想拿第三种意见；中指独翘，是只对老臣才用的暗示。

他也认得皇帝所有的物理细节：左耳耳垂上一颗六毫米的痣，下颌角最锋利处偏左两分，晨起时眼睛比正午小半圈，困时右眼先眯、最后是左眼，疲倦时肩线会向左微倾两度。

他画的皇帝，比镜子里的还像。宫里所有人都说，卫先生画的是「会喘气的皇上」。

有一年，南境进贡，献上一头从未见过的白象。皇帝极高兴，叫卫先生画。卫先生画了一天，交稿。

皇帝看了一眼，笑了笑，没说话。

太监偷偷告诉卫先生：象鼻歪了，象腿也不对劲，象身上有一块金斑——画成了龙鳞纹。

卫先生愣了。他回画室，翻出二十八年的画稿，翻了三天，发现自己画过的所有动物——御马、猎犬、仙鹤、孔雀——鼻子的画法都是按人鼻画的，腿的肌肉走势都是按人腿走的，鳞甲、羽毛的纹理都是按人皮肤的纹理推的。

他太熟悉皇帝了。他已经无法不按「人」的结构，去画「非人」的东西了。

又一年，邻国使臣来访，皇帝设宴。席间使臣行了一个本邦礼节——双手交叉按右肩，躬身四十五度，面朝东——请卫先生入殿记录。

卫先生画了一个时辰。

使臣看了，呆住了。画里那个躬身的人，是皇帝的脸、皇帝的身形、皇帝的衣袍纹路——只把头低下去而已。完全没有这个邻国、这种礼节、这个人种该有的体态。

使臣回去之后，邻国史官记了一笔：「景朝御用画师，其技穷矣。」

更糟的是后一件事。

景朝第十年，皇帝驾崩，新帝登基。新帝与先帝同父异母，相貌相去甚远。卫先生被召入殿，新帝让他画。

他提起笔，犹豫了一刻钟。他发现自己手会动——画的每一笔，都带出先帝的轮廓。

他画出来的新帝，眉眼是先帝的，气质是先帝的，连站姿、披帛的搭法、握扇的角度，都隐约是先帝的样子。

他交稿时，新帝没笑。新帝只说了一句话：「先帝若在，你当得起『国手』。先帝既去，你画的每一张都是遗像。」

卫先生被撤了职。

三年后，他流落民间。村里人请他画门神。他画了一天——门神的脸，是先帝的脸。村里人没敢挂。他再画灶王爷，灶王爷的脸，还是先帝的脸。他画春牛，画喜鹊，画莲花——每一幅里，都藏着先帝的影子。

他没有失明，没有手抖，没有疯。他所有技术都还在。他只是再也无法画出「不是先帝」的东西了。

他在六十二岁那年，烧了所有的画稿。火燃起来的时候，他对徒弟说：「画人难，画非人更难，画一个从你眼睛里已经看不见的人——最难。」

概念：过度拟合

过度拟合（Overfitting） 是机器学习与统计学中的经典问题：模型对训练数据里的细节、噪声和偶然性拟合得过于精确，把「训练数据本身的偶然规律」当成了「真实世界的普遍规律」。

结果就是：模型在训练集上表现近乎完美，面对真实世界的新样本时，泛化能力却急剧下降。

过度拟合的根源在于：训练数据只是现实的一个有偏切片，不是现实本身。模型在那个切片上学到的细节越多，对切片之外的真实就越陌生。

它有两个近亲：欠拟合，是连训练数据里的规律都没学会；良好泛化，是学到了可迁移的结构，而不是具体的像素。

判断过度拟合有两种方式。一是看测试集：训练集上的误差越来越低，测试集上的误差先降后升，拐点一过就是过拟合。二是看分布外样本：当输入与训练数据明显不同，模型的输出会开始「重复训练数据里的结构」。

故事里的白象、邻国使臣和新帝，就是卫先生的测试集。

故事里的映射

故事里的元素 现实中的含义
卫先生 过度拟合的模型：在一个对象上学得太久、太细
先帝 训练集：单一、封闭、看似完美的数据切片
二十八年、六千多张画 训练时长与规模：越专门化，离真实分布越远
白象画歪、使臣画错 在分布外样本上失败：记住了「皇帝」，却没学会「画」
新帝登基后笔下仍是先帝 模式坍缩：任何新输入都被映射回旧训练集
流落民间，画门神画灶王也都是先帝 上线后的静默崩溃：在真实世界里，把所有输入都认成训练数据
六十二岁烧掉所有画稿 分布漂移之后难以挽救，只能从零重训

现实中的过度拟合

给 AI 时代的企业

AI 落地真正的考验，不是模型在演示数据上多漂亮，而是它接不接得住生产环境里的脏数据。

企业真正的护城河也不是第一天交付的工作流，而是「崩了之后能改」的反馈循环——每一次在分布外样本上翻车、又把它修好，都是在把训练集扩向真实世界。

灵光 · 用一个故事讲清楚一个概念。