一句话定义：贝叶斯定理（Bayes' Theorem）是一条把「你原来怎么想」和「新看到的证据」合成「你现在该怎么想」的公式。
打个生活化的比方
公司体检做某种病筛查。这种病在人群里发病率大约 1%。检测挺准：真有病的人 99% 能测出来，健康人里也有 5% 会误报阳性。
你测出了阳性。真得病的概率有多大？直觉会说「99% 吧」。实际算下来大约六分之一。
为什么？1000 个人里，10 个真病人能测出约 10 个阳性；990 个健康人里，5% 误报又冒出约 50 个阳性。阳性一共约 60 个，其中真正有病的只占一小撮。健康人基数太大，假阳性把阳性池子淹了。
这就是贝叶斯定理在做的事：先验（发病率 1%）加上证据（一次阳性），得到后验（约 16%）。证据很强，但先验太薄，后验还是上不去。
三个零件
| 零件 | 人话 | |
|---|---|---|
| 先验 P(H) | 看证据之前，你认为 H 有多可能 | |
| 似然 P(E\ | H) | 如果 H 成立，这条证据有多常见 |
| 后验 P(H\ | E) | 看完证据，H 应该有多可能 |
公式可以粗略念成：后验 ∝ 先验 × 似然。新证据不改写你的全部认知，只做加权调整。
别把三个词混了
贝叶斯定理是一个公式；贝叶斯推断（Bayesian inference）是拿这个公式反复更新的方法论——今天算出后验，明天它就成了新的先验；朴素贝叶斯（Naive Bayes）是把这套东西用到分类任务上的一种简化算法，代价是假设各个特征彼此独立，这个假设通常不成立，但用起来常常还不错。
对做 AI 的人意味着什么
*分类*：垃圾邮件过滤、风控、推荐里的打分，本质都是「看到这些特征，属于该类的概率是多少」。贝叶斯定理提供了把先验和特征证据拼起来的骨架。
*校准*（calibration）：模型说 80% 把握，那这类样本里就该有大约 80% 是对的。贝叶斯视角逼你关心概率数值本身准不准，而不只是排序对不对——排序对但概率虚高，在风控、医疗、定价里是会出事的。
*A/B 测试*：贝叶斯做法给转化率一个先验分布，用实验数据更新成后验分布，最后直接回答「B 比 A 好的概率是多少」。频率派做法回答的是另一个问题：「假设两者没差别，看到这组数据的概率有多大」。前者更贴近业务方嘴里的话。
对普通人的意义
两句话：新证据要足够强，才推得动强先验；反过来，先验太顽固，人就会自动过滤掉反面证据。听到耸动的结论时，先问自己——我原来是怎么判断的？如果原来的假设成立，眼前这条证据有多常见？
具体的工具与实现细节，以官方文档为准。