Bernoulli（伯努利）是概率论中最基础的离散分布，指只有两种可能结果的随机变量（取 0 或 1），在机器学习中广泛用于遮蔽、采样、dropout 和校准等场景。虽然它本身是经典数学工具，但近期多项 AI 研究都以 Bernoulli 变量作为核心机制，涉及强化学习、并行采样与世界模型校准等前沿方向。
Bernoulli 相关的近期进展
当前焦点与观察点
围绕 Bernoulli 变量的研究呈现出两条主线：一是作为建模工具，用简单的二值随机化（遮蔽、dropout、选择机制）换取表征和泛化能力；二是作为理论分析对象，在并行采样、选择性预测等场景中刻画二值随机性的复杂度与统计代价。此外，随着视频世界模型等生成式系统强调物理校准，Bernoulli 这类基础分布能否充分刻画真实世界的随机动态，也成为一个值得关注的评测问题。总体来看，Bernoulli 虽是最简单的分布之一，但在 2025 年前后的机器学习研究中依然活跃，既是工程实践中的默认组件，也是理论严格化的分析支点。