机器学习：机器怎样从例子里学经验？

核心问题

机器学习最容易被误解成“机器自己突然懂了”。事实上，它并不是凭空产生经验，而是从大量例子里找出可重复的线索。你给它看的例子越代表真实世界，它越可能学到有用规律；例子越偏、越少、越乱，它学到的东西就越可能不可靠。

这一章要解决的问题是：机器到底怎样从例子里学经验？它和传统程序最大的区别是什么？为什么同样是“自动判断”，有些系统需要人写规则，有些系统却可以从数据里学出规则？

先建立直觉

想象你要教一个新同事分辨垃圾邮件。传统做法像写一本厚厚的规则手册：标题里有“中奖”就扣分，正文里有陌生链接就扣分，发件人域名奇怪就扣分。规则越多，维护越麻烦，而且很容易被新花样绕过。

机器学习的做法更像让同事看大量历史邮件：这些是垃圾邮件，那些是正常邮件。看得足够多以后，他会发现一些线索经常同时出现，比如夸张标题、紧迫语气、异常链接、陌生发件人。你没有逐条告诉他所有规则，但他从例子里归纳出了判断经验。

这并不表示机器有常识。它学到的是“在训练样本中，哪些特征和哪些标签经常一起出现”。这点很重要，因为它解释了机器学习为什么有用，也解释了它为什么会受数据质量影响。

概念拆解

一个最小的机器学习过程通常包含三件事：样本、标签和模型。

样本是给机器看的例子，例如一封封邮件、一张张图片、一条条历史订单。标签是人类或系统给出的答案，例如“垃圾邮件/正常邮件”“猫/狗”“会流失/不会流失”。模型则负责在样本和标签之间寻找规律。

训练时，模型会先做预测，再和正确标签比较。如果预测错了，就调整内部参数；如果预测对了，就强化当前方向。这个过程重复很多次，模型就逐渐学会在新样本上做判断。

机器学习和手写规则的关键差别在于：规则程序的判断逻辑主要由人直接写出；机器学习模型的判断逻辑主要从数据中学习。人仍然很重要，但人的工作从“写所有规则”变成了“准备数据、定义目标、评估结果、处理错误”。

互动理解

下面的小组件会逐步展示训练样本。注意看样本增加后，机器并不是记住某一封邮件，而是在归纳“哪些线索更像垃圾邮件”。

常见误区

第一个误区是以为样本越多一定越好。数量当然重要，但质量更重要。如果训练数据里充满错误标签，模型会认真学习错误经验。就像让新人只看错题答案，他会越学越偏。

第二个误区是以为模型学到的规律永远有效。现实世界会变化，诈骗邮件会换话术，用户习惯会改变，市场环境会波动。过去的数据能帮助预测未来，但不能保证未来完全重复过去。

第三个误区是把相关性当因果。模型可能发现“某类词经常出现在垃圾邮件里”，但这不等于这些词本身导致邮件有害。机器学习很擅长找关联，却不一定理解背后的原因。

实用方法

判断一个机器学习系统是否可靠，可以问四个问题。

第一，它看过的例子是否足够接近真实使用场景？第二，标签是否准确，还是混入了大量错误判断？第三，它犯错时有没有人复核，尤其是在医疗、法律、投资等高风险场景？第四，环境变化后有没有重新评估，而不是长期沿用旧模型？

普通人不需要掌握算法公式，但要记住：机器学习的能力来自例子，边界也来自例子。没有见过、见得太少、见得太偏的情况，都是它容易出错的地方。

自我检查

可以拿身边的推荐系统做练习。短视频平台给你推荐内容时，它不是先理解你这个人，而是从你点击、停留、点赞、跳过等例子里学习偏好。你过去经常看某类内容，它就更可能继续推荐类似内容。

这也解释了推荐系统为什么会形成信息茧房：如果训练反馈只来自你的历史行为，模型就会越来越确信你只喜欢那一类内容。机器学习在这里没有道德判断，它只是优化被定义好的目标。所以使用任何机器学习系统，都要同时看“学了什么”和“被奖励了什么”。

真实场景

在公司里，如果你想用机器学习预测客户是否会流失，不能只把“最近没登录”这一个规则写进去。更好的做法是收集历史客户行为：登录频率、工单数量、续费记录、使用功能、是否参加培训，再标出哪些客户后来真的流失。模型从这些例子里学到风险线索，但业务人员仍要检查它有没有误伤新客户或低频高价值客户。

这类检查决定了模型能不能真正进入流程。

延伸阅读

• 如果不确定 AI 和机器学习的层级关系，可以回顾第 1 章：AI 到底是什么
• 机器学习只看手工特征，深度学习让机器自己找特征——第 3 章：深度学习会讲这个飞跃

一句话总结

机器学习不是机器凭空变聪明，而是从大量带答案的例子里归纳规律；例子的质量决定了经验的质量。