一句话定义
先验（Prior）是你看到证据之前对某件事的判断；后验（Posterior）是你看到证据之后更新的判断。贝叶斯推断做的事，就是把这两者用一条规则连起来：先验加上证据，得到后验。
打个比方
深夜急诊，一位年轻人说嗓子疼。医生心里的第一反应大概是“普通感冒，回家多喝水”，这是先验。接着病人补了一句：“咳了三周，痰里带血丝。”医生立刻改判，开始排查更严重的问题，这是后验。注意两件事：医生不是从零开始判断的，也不是听见新证据还死守最初的想法。好的判断，是先验合理，并且愿意更新。
用文字写出那条规则，就是：后验与“似然乘以先验”成正比。似然（Likelihood）问的是“假如某个假设成立，看到这份证据的可能性有多大”。似然只谈数据，不含你原有的信念；后验才把你的信念和数据放在一起。
容易混淆的几个点
| 先验 Prior | 后验 Posterior | |
|---|---|---|
| 时点 | 看数据之前 | 看数据之后 |
| 来源 | 历史经验、领域知识、上一次的结论 | 被本次证据修正后的结果 |
| 在模型里的形态 | 初始化、正则化、预训练权重、分布假设 | 训练或推理结束时的信念分布 |
| 常见误解 | 当成“拍脑袋” | 当成“客观真相” |
顺带澄清两件事。第一，先验不等于偏见。它是信息的压缩：没有先验，你就要在无穷多种解释里盲选，模型反而更不稳定。第二，先验也不是超参数（Hyperparameter）。先验是你对参数的信念，超参数是控制模型结构和训练强度的设定，两者层次不同。
另外常见的“贝叶斯 vs 频率派”之争：频率派认为参数是固定的、数据是随机的；贝叶斯认为数据到了，信念就要更新。工程上两者往往混着用，很多训练手法本质上都是在加入先验；具体实现方式和默认设置以官方文档为准。
对从业者和普通人的意义
做模型的人会发现，效果不好常常不是“算法不行”，而是先验错了：数据分布假设不对、标注习惯和真实场景不一致、默认配置沿用了别人的场景。预训练、迁移学习、正则化，本质都是把外部经验作为先验加入模型。先验对了，少量数据就能收敛；先验错了，再多数据也在错误的方向上堆。
更值得说的是争论。很多关于 AI 的争吵，表面是价值观，实际是双方对风险概率、对人的默认假设不同，也就是先验不同。两边的证据未必有分歧，出发点却不一样。把各自的先验摆到桌面上，比互相指责“你不讲理”有用得多。
对普通人，一个可用的习惯是：看到一条消息，先问“我原来的判断是什么”，再问“这条证据在两种情况下出现的可能性差多少”。先验决定你从哪里出发，后验决定你走到哪里。大部分分歧，其实发生在出发点。