這幾年，“人工智能/機(jī)器學(xué)習(xí)”可謂是大行其道、如火如荼，但非專業(yè)人士想要不掉隊，要理解這些高深的技術(shù)、晦澀的術(shù)語，確實挺難。最近，我就在研究人工智能和機(jī)器學(xué)習(xí)。（因此，導(dǎo)致經(jīng)常斷更……）前幾天，我寫了一篇以人的成長過程來類比機(jī)器學(xué)習(xí)的文章，想必能讓即使零基礎(chǔ)的你，看完之后也能對這個高科技略知一二了。

5月末的一天中午，幾位同事吃完午飯，在公司樓下遛彎。

期間，某同學(xué)提到一則“小孩子因為雞毛蒜皮的小事，想不開而做出傻事”的新聞。

當(dāng)大家在紛紛感嘆的時候，一位產(chǎn)品專家同學(xué)形象地說了一句——這個孩子的“模型過擬合、泛化能力太差”。

這個比喻確實一針見血、入木三分??！眾人均表示，以此悟性，該同學(xué)“晉升研究員，入主組織部”就指日可待了！

的確如此，嬌生慣養(yǎng)（過擬合：overfitting）形成的脆弱心智（模型），在面臨真實世界當(dāng)中的種種不如意時，往往不能正確處理（預(yù)測不準(zhǔn)、泛化能力差），從而非常容易釀成悲劇。

在機(jī)器學(xué)習(xí)當(dāng)中，在訓(xùn)練模型時，如果樣本太單一或者特征選擇不當(dāng)，就會出現(xiàn)過擬合。即，把訓(xùn)練樣本當(dāng)中的特殊情況，當(dāng)成普遍情況。這樣，在面對新的樣本時，就無法正確處理。

我們常說的應(yīng)試教育和素質(zhì)教育，也有泛化能力的巨大差異。

應(yīng)試教育整天讓學(xué)生做卷子、刷題庫，訓(xùn)練出來模型過擬合、泛化能力差，就會出現(xiàn)“高分低能”的情況。而素質(zhì)教育則注重能力鍛煉、比較多元化，訓(xùn)練出來的模型泛化能力強(qiáng)，學(xué)生們將來在生活和工作方面都不會有太大的問題。

其實，如果你把人的成長與機(jī)器學(xué)習(xí)進(jìn)行仔細(xì)比對，你就會發(fā)現(xiàn)，兩者還有更多異曲同工之妙。

一個嬰兒呱呱墜地，他天生就會具備一些能力（自帶算法庫），比如心跳、呼吸、哭、笑、恐懼等等。

這些能力，都是神奇的進(jìn)化和偉大的基因帶給我們的。否則，讓我們重新掌握一遍這些技能那就太費(fèi)勁了。

當(dāng)然，為了正常的生活，僅僅有這些自帶的初級算法和模型是還不夠，你還要不斷地掌握一些新的技能（自研算法）。

比如，吃飯、走路、說話等等。

要掌握這些技能，需要父母日復(fù)一日年復(fù)一年，不辭辛苦地反復(fù)教我們，訓(xùn)練我們咿呀學(xué)語、蹣跚學(xué)步。

這就像在機(jī)器學(xué)習(xí)中，需要足夠多的樣本（成千上萬），耗費(fèi)很多計算資源，經(jīng)過數(shù)分鐘甚至數(shù)小時、數(shù)天的持續(xù)訓(xùn)練，才能獲得一個模型。

其實，在人的大腦當(dāng)中，不光有成年累月不斷訓(xùn)練而掌握的技能（模型），還會有一些強(qiáng)規(guī)則。

這些規(guī)則，有些是父母教給我們的，有的是社會道德規(guī)范、法律法規(guī)形成的 。

比如，父母會對小孩子說：“不要隨便吃陌生人給的食物”、“過馬路時要左右看”。

在生活當(dāng)中，要尊老愛幼、禮尚往來，要遵紀(jì)守法、踐行社會主義核心價值觀等等。

對于這些規(guī)則，我們記住，以后照做就行了。

由此可見，我們的大腦就像一個決策中心或者決策中樞，其中包含了無數(shù)規(guī)則和模型組成的。每次決策，就是組合地使用這些規(guī)則和模型。

在實際的機(jī)器學(xué)習(xí)應(yīng)用場景中，在各個業(yè)務(wù)線當(dāng)中，也有各種各樣類似的“決策中心”。這個決策中心，就包含了成百上千復(fù)雜的規(guī)則（或者稱為“策略”）以及訓(xùn)練得到的模型。對于某一個，用策略and/or模型的組合來進(jìn)行判斷和決策。而且，往往是先判斷策略，如果不滿足某個策略，那么就直接給出決策。

隨著年齡的增長，除了吃喝拉撒這些基本技能，我們的決策中心還需要掌握更多的技能，比如語文、數(shù)學(xué)、音樂、舞蹈、體育等等。

在這方面，經(jīng)常會看到某些孩子“天賦異稟”，即系統(tǒng)自帶超牛的算法——他的爸媽給他遺傳了更好的算法。

不過，我們普通人也不要?dú)怵H，我們可以付出更多努力（大樣本），不斷刻意、刻苦地訓(xùn)練（模型不斷retrain和演進(jìn)），也能取得好的成績。

人生是場馬拉松，模型訓(xùn)練也是如此。

相比之下，在這場馬拉松當(dāng)中，在人生的不同年齡階段，我們所使用的學(xué)習(xí)方法也不盡相同。

在小時候，我們大多數(shù)采用的是有監(jiān)督的機(jī)器學(xué)習(xí)。

比如，父母會拿著各種各樣的水果教我們：“這是蘋果、這是桔子”。

動畫片和故事書中經(jīng)常告訴我們，這是好人、那是壞人。

于是，我們最常用的就是二分類算法：大/小、長/短、是/否、好/壞。

而長大以后，我們遇到更多的是無監(jiān)督或者半監(jiān)督的學(xué)習(xí)，很多事物并不會帶著明確的是非對錯的標(biāo)簽。

因此，我們會用一些聚類算法。跟遇到的人經(jīng)過一段時間熟悉后，才會把他們分為“講義氣”、“酒量大”、“會修電腦”、“愛吃老娘舅”等各個類別。

盡管學(xué)習(xí)的方法各異，但大道至簡、萬物相同。

我們知道，一個人在某個方面有所成就，就很容易在其他領(lǐng)域表現(xiàn)優(yōu)異（遷移學(xué)習(xí)） 。

比如，愛因斯坦不僅是杰出的科學(xué)家，他還精通小提琴。一個C語言高手，很快就能變身Java大拿。

當(dāng)然，細(xì)究起來，人腦與機(jī)器學(xué)習(xí)也有不少差異。

比如，給小孩玩幾個玩具汽車、看幾張汽車圖片，他就會能認(rèn)識許多造型各異、圖片風(fēng)格迥異的汽車。

相比之下，要讓機(jī)器達(dá)到這樣看似簡單的能力，則需要需要數(shù)萬、數(shù)百萬的樣本來訓(xùn)練。

幾年來，有關(guān)AutoML的一個研究方向，就是解決如何用少量的樣本完成模型的訓(xùn)練。

此外，我們發(fā)現(xiàn)，人類“下意識、一瞬間”能做的事情，對于機(jī)器來說卻很難。

比如，認(rèn)識物體和人像（圖像識別能力）、喜怒哀樂的情緒以及行走奔跑的能力。

究其原因，還是歸功于偉大的進(jìn)化——我們的這些模型，是經(jīng)歷了億萬年的進(jìn)化，經(jīng)過了無數(shù)次地模型演進(jìn)才獲得的。

反過來說，人類花很長時間才能做完的事情，對電腦來說卻易如反掌。

例如，在短時間內(nèi)，對100萬個數(shù)字求和，或者把圓周率的精確到小數(shù)點(diǎn)后100萬位。

然而，要找到人腦和人工智能的能力差異背后的真實原因，人類還有很長一段路要走。

盡管現(xiàn)在科技日新月異，盡管人們已經(jīng)發(fā)明出了“深度神經(jīng)網(wǎng)絡(luò)”來實現(xiàn)人工智能（深度學(xué)習(xí)），讓機(jī)器認(rèn)識貓、下圍棋，但人類對自己大腦的運(yùn)作機(jī)制仍然知之甚少。

可以說，人們用自己那神奇的、原理尚不清楚（不可解釋） 的大腦，造出了種種機(jī)理尚不清楚（不可解釋）的模型。

也就是說，盡管你用深度學(xué)習(xí)訓(xùn)練出了一個可以識別貓的模型，但這個模型沒有可解釋性。即，你無法說出這個你訓(xùn)練出的這個牛逼的模型，究竟是靠哪些特征、哪些原則來識別出貓的。

人的心智，就是由無數(shù)個如此諱莫如深的模型以及清晰明了的規(guī)則組成。

人的一生，就是不斷迭代舊算法、retrain舊模型，研發(fā)新算法、訓(xùn)練新模型的過程。

所謂“讀萬卷書、行萬里路、與萬人談”，這就是讓我們掌握更多的算法，擁有更全面的樣本，從而訓(xùn)練出更多樣的模型。

不過，可惜的是，不像“長相、哭笑”這類特征/技能，人類的大部分模型并不能通過基因來遺傳給我們的孩子。

比如，一個“精通Java/Python，擅debug、調(diào)core”的高級技術(shù)專家（P8），與一個“深諳用戶體驗和人性本質(zhì)”的資深產(chǎn)品經(jīng)理（P6）合體之后，繁衍的后代并不能天生就會寫碼或畫線框圖。

也就是說，你窮盡一生訓(xùn)練出來的各色優(yōu)雅的模型，有朝一日都會下線（模型下線）。

但是，并不要因此感到悲傷，人生本來就是一個體驗美好和精彩的過程。

人常說，活到老學(xué)到老，這樣的人生才是完整的，才是值得期待的。

#專欄作家#

朱百寧，微信公眾號：八點(diǎn)三十五，人人都是產(chǎn)品經(jīng)理專欄作家。前百度品牌總監(jiān)，著有《自傳播》一書，現(xiàn)在專注于人工智能以及產(chǎn)品設(shè)計等領(lǐng)域。個人微信：izhubaining，歡迎添加進(jìn)行交流。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自 Unsplash，基于 CC0 協(xié)議