搜尋意圖： 如果你在找「回饋迴路 是什麼」或「回饋迴路 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 回饋迴路是指系統輸出影響其輸入的過程，在AI中用於迭代改進模型效能，透過評估結果並調整參數。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
你有沒有覺得推薦系統好像越用越懂你？
你可以把回饋迴路想成「結果會反過來影響下一次輸入」的機制，系統不是只做一次，而是一直根據回饋修正自己。
它重要，是因為沒有回饋，模型或系統就很難持續變好，也不容易發現自己做錯了什麼。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
回饋迴路 vs 單向流程 單向流程只輸出，不回頭修正。 回饋迴路會把結果送回系統，用來調整下一輪行為。
回饋迴路 vs 人機迴路 人機迴路強調人參與判斷。 回饋迴路是更廣的概念，只要輸出影響輸入就算。
記住這句就好
有輸出、又能拿回來改，就是回饋迴路。
實際案例
推薦系統 你點了某類影片，系統就更常推同類內容，下一輪輸出會被你的行為回饋影響。
模型訓練 模型看錯樣本後，錯誤會被拿來更新參數，讓下一次表現更好。
深入了解
正回饋會放大原本的趨勢，負回饋會把系統拉回穩定狀態。 在 AI 裡，回饋迴路很常和監控、再訓練和線上學習一起出現。
中英對照與常見說法
| 說法 | 出現場合 |
|---|---|
| 回饋迴路、反饋迴路 | 中文譯名，台灣多用「回饋」，中國大陸多用「反馈」 |
| 反馈回路 | 簡體寫法 |
| Feedback Loop | 英文原名 |
| 回饋循環、閉環（closed loop） | 常見變體 |
正回饋與負回饋
| 負回饋 | 正回饋 | |
|---|---|---|
| 作用 | 抑制偏離，把系統拉回穩定 | 放大偏離，把系統推得更遠 |
| 例子 | 冷氣溫控、自動擴展、庫存補貨 | 社群媒體的爆紅、銀行擠兌、推薦系統的同溫層 |
| 對系統的影響 | 穩定 | 可能失控，也可能是成長引擎 |
「正」與「負」講的是方向不是好壞。負回饋不代表不好，它是絕大多數控制系統賴以穩定的機制。
機器學習系統裡的回饋迴路，多數是有害的
這是實務上最需要警覺的一類。模型的預測影響了使用者的行為，使用者的行為又變成下一輪的訓練資料，於是模型開始強化自己的偏見。
推薦系統：模型推薦什麼，使用者就只看得到什麼，點擊資料只反映被推薦過的東西。沒被推薦過的內容永遠拿不到曝光，也就永遠不會被學到是好的。這叫做曝光偏誤（exposure bias）。
信用審核：模型拒絕的人不會產生還款紀錄，所以永遠無法驗證拒絕得對不對。訓練資料裡只有被核准過的人，模型在自己的舒適圈裡越來越有信心。
預測性警務：把警力派到預測犯罪率高的區域，那個區域自然記錄到更多案件，資料回頭又證明模型是對的。
內容生成：模型生成的內容流入網路，成為下一代模型的訓練資料。這叫做模型崩潰（model collapse），長期下來會讓資料分布的尾端逐漸消失。
怎麼偵測與打斷
保留一小部分隨機流量。 隨機推薦、隨機核准一小批，取得不受模型影響的乾淨資料。成本是短期損失，收益是長期有辦法驗證模型。
記錄傾向分數。 記下每個項目當時被曝光的機率，之後用逆傾向加權（IPW）修正偏誤。
監控分布而不只是準確率。 推薦內容的多樣性、核准族群的組成，這些指標往下走就是回饋迴路在收緊的訊號。準確率通常不會提早示警。
定期用外部基準檢查。 只跟自己的歷史比，永遠看不出整個系統偏到哪裡去了。
情境判斷
Q1： 如果系統只根據使用者點擊結果調整推薦內容，這算回饋迴路嗎？
Q2： 如果回饋只會越滾越偏，這還是好設計嗎？
常見問題
回饋迴路一定是好事嗎？
不一定，設計不好時會放大偏差或讓系統失控。
它和強化學習有什麼關係？
強化學習本身就很依賴回饋訊號，但回饋迴路比強化學習更廣。
模型監控算回饋的一部分嗎？
常算，因為監控結果會影響後續修正。
只要有使用者按讚就算回饋迴路嗎？
要看這個按讚有沒有真的影響下一次系統行為，有影響才算。