一句话定义：蒙特卡洛方法（Monte Carlo method）是一类"用随机抽样去估计那些难以精确计算的量"的算法思路，尤其擅长算期望和积分。
它怎么工作
假设你想知道一片不规则湖面的面积，公式推不出来。有个笨办法很有效：把湖圈在一个已知面积的正方形里，然后闭着眼往正方形里随机撒一万颗豆子，数一数有多少颗落在湖里。落在湖里的比例乘以正方形面积，就是湖面积的一个估计。
豆子撒得越多，估计越准。这就是蒙特卡洛的全部核心：用随机样本的平均值逼近真实的期望值，理论基础是大数定律（law of large numbers）。
它有个常被提到的性质：误差大约按 1/√N 收敛（N 是样本数）。样本量翻 4 倍，精度才翻 1 倍，看着慢；关键是这个速度和维度无关。用网格法算 10 维积分，每维取 100 个点就是 100 的 10 次方次计算，直接爆炸；蒙特卡洛照样撒点就行。高维空间是它的主场。
和相邻概念的区别
| 方法 | 思路 | 典型场景 |
|---|---|---|
| 解析解 | 推导出精确公式 | 维度低、结构规整 |
| 网格／数值积分 | 把空间切成小格子求和 | 1～3 维 |
| 蒙特卡洛 | 随机采样后求平均 | 高维、复杂分布 |
它和"随机实验"（比如 A/B 测试）不是一回事：A/B 测试是在真实世界里做实验拿数据，蒙特卡洛是在计算机里造随机数做仿真。
它的后代
蒙特卡洛不是某一个具体算法，而是一个家族。今天 AI 里很多重要方法都是它的后代：
- AI 词典：蒙特卡洛树搜索">蒙特卡洛树搜索（Monte Carlo Tree Search, MCTS）：下棋时对候选走法做大量随机模拟，用胜率估计这一步好不好；AlphaGo 让这套方法广为人知。
- 扩散模型的采样：从纯噪声出发一步步去噪生成图像，本质是一条随机采样轨迹，"生成"在这里就是"采样"。
- 强化学习：用一整条轨迹的实际回报来估计状态的好坏，是最朴素的蒙特卡洛估计。
- Dropout 推断：多次随机丢弃神经元跑前向再把结果平均，可以视作一种近似贝叶斯推断。
对你的意义
从业者记住两点：解析解不存在、维度又高时，先想采样；采样有方差，样本量、估计偏差和计算成本要一起权衡。普通人其实一直受它影响：天气预报的集合预报、金融风险估算、游戏 AI 的决策，背后都是同一件事——算不出来，就多试几次。具体实现各框架不同，以官方文档为准。