一句话定义：选择偏差（Selection Bias）指的是，进入你视野的样本并不是从目标总体里随机来的，而是被某种筛选机制挑出来的；于是你算出的结论会系统性地偏离真实情况。
生活里的比方：一家健身房在出口做满意度调查，九成的人说满意。问题不在问卷，而在于中途退卡的人根本走不到那个出口。你统计的是“留下来的人”，不是“来过的人”。
AI 里的版本更隐蔽，因为这类筛选常常是出于好意。整理评测集时，样例跑不通就删掉，模型答得离谱、疑似标注错了就剔掉，只保留“干净”的题；用户反馈只统计点了反馈按钮的那批人；线上监控只覆盖成功的请求。每一步单独看都合理，合起来的分母就变成了“一切顺利的那部分世界”。于是离线评测结果很好看，上线后表现却下降了。这通常是因为你一直在考模型会的题，并非模型本身变差。
关键动作是问一句：分母到底是谁？谁被排除在外了？ 一个诚实的做法是同时记录“被剔除的样本数”和“剔除理由”，把失败率当成重要指标，不能靠清洗数据让它消失。主动去收集跑不通的用例（脏数据、超长输入、口音、罕见的业务黑话），通常比再刷一遍干净测试集更有用。
和相邻概念的区别：
| 概念 | 偏差从哪来 |
|---|---|
| 选择偏差（Selection Bias） | 谁被纳入样本，这件事本身不随机 |
| 幸存者偏差（Survivorship Bias） | 选择偏差的常见特例：只看活下来的 |
| 采样偏差（Sampling Bias） | 更中性的说法：抽样方法不随机 |
| 分布偏移（Distribution Shift） | 样本没选错，但上线后数据分布变了 |
实践中，这几个概念经常同时出现：你的评测集是三年前随机抽的，当年没问题；三年后用户群体变了，这既是分布偏移，也放大了当年就存在的选择偏差。
对从业者：看到任何百分比先问分母是什么；评测集里要有“刻意找茬”的部分；实验指标要写清楚谁进组、谁没进组。对普通职场人：看到“准确率很高”时，先想清楚那些错的、被放弃的样本都去哪了。