自动学习是指 通过计算机系统和算法从数据中自动获取知识或技能，并利用这些知识或技能来改进自身性能的过程。它属于人工智能的一个重要分支，旨在构建能够自我适应的算法，这些算法可以从历史数据中提取特征，并基于这些特征对未来数据做出决策或预测。

自动学习可以分为暂时性自动学习和永久性自动学习两种方式：

暂时性自动学习：

对应的是固定灵敏度，即在一定时间内保持设定的烟雾报警值。

永久性自动学习：

对应的是相对灵敏度，即通过不断学习自动调整烟雾报警值。

自动学习的关键点包括：

数据驱动：通过分析和解释大量数据来发现规律、模式和内在联系。

模型构建：创建用于预测、分类、聚类、回归等任务的模型。

自我优化：通过不断学习和调整，提高算法的性能和准确性。

在实际应用中，自动学习被广泛应用于各种场景，如自然语言处理、图像识别、推荐系统、医疗诊断等。例如，在吸气式感烟火灾探测器中，自动学习功能可以帮助探测器根据现场环境的烟雾背景值自动设定报警值，从而提高火灾检测的准确性和效率。