偶然不确定性（aleatoric uncertainty）来自数据本身的随机性：同一个输入，正确答案本来就可能是好几个。认知不确定性（epistemic uncertainty）则来自模型"没见过、没学明白"：答案其实是确定的，只是它不知道。
一句话记法：前者加多少数据都消不掉，后者加数据就能降。
打个比方
射箭。箭在靶心上散开，一部分来自弓的震动、风、手的抖动——这部分你练一万次也依然存在，是这项运动固有的噪声，对应偶然不确定性。另一部分来自准星调歪了、或者干脆瞄错了靶——这是"你还没搞懂"，多练、多校准就会收敛，对应认知不确定性。
落到具体例子上：
- 一张严重模糊的病理切片，两位资深医生看了也可能给出不同判断。信息本身就不足，这是偶然不确定性。
- 模型从没见过某种罕见病灶，看到就乱猜。信息是够的，只是它没学过，这是认知不确定性。
两者的关键差别
| 维度 | 偶然不确定性 | 认知不确定性 |
|---|---|---|
| 来源 | 数据自身的随机性、噪声、标注歧义 | 模型知识不足、训练数据稀疏、参数没定下来 |
| 更多同类数据 | 基本无用 | 有效（在覆盖到的范围内） |
| 典型表现 | 同一输入反复预测，结果天然分散 | 换个场景或遇到新样本，预测飘忽不定 |
| 常见应对 | 输出概率分布、多峰建模、流程上留冗余 | 主动学习补数据、集成或贝叶斯近似、分布外检测、拒答转人工 |
对做模型的人意味着什么
分不清这两者，最容易犯的错是"花钱买错药"。
偶然不确定性高的时候，砸钱标更多同类数据是浪费——问题不在数据量，而在这件事本身不可预测。比如预测路口行人的下一步，他可能继续走，也可能突然折返，那就该把两种可能都保留下来，配合安全余量，而不是硬逼模型给一个确定答案。
认知不确定性高的时候，把输出调得更"自信"或做个后处理平滑，只是掩耳盗铃。该做的是补数据、做分布外检测，让模型在没把握时说不确定，把样本交给人。
给非技术同事的一句用法：当模型说"我不确定"时，追问一句"是这件事本来就随机，还是你没见过这种情况？"前者该改流程、留冗余；后者该补数据、补培训。
最后提醒一句：两者的边界并不总是干净的。提高测量精度、把任务定义得更清楚，常常能把一部分"偶然"转成"认知"。工程上更实用的判断是，先问"再多数据有没有用"，再用答案决定往哪儿投入。