这几年，“人工智能/机器学习”可谓是大行其道、如火如荼，但非专业人士想要不掉队，要理解这些高深的技术、晦涩的术语，确实挺难。最近，我就在研究人工智能和机器学习。（因此，导致经常断更……）前几天，我写了一篇以人的成长过程来类比机器学习的文章，想必能让即使零基础的你，看完之后也能对这个高科技略知一二了。

5月末的一天中午，几位同事吃完午饭，在公司楼下遛弯。

期间，某同学提到一则“小孩子因为鸡毛蒜皮的小事，想不开而做出傻事”的新闻。

当大家在纷纷感叹的时候，一位产品专家同学形象地说了一句——这个孩子的“模型过拟合、泛化能力太差”。

这个比喻确实一针见血、入木三分啊！众人均表示，以此悟性，该同学“晋升研究员，入主组织部”就指日可待了！

的确如此，娇生惯养（过拟合：overfitting）形成的脆弱心智（模型），在面临真实世界当中的种种不如意时，往往不能正确处理（预测不准、泛化能力差），从而非常容易酿成悲剧。

在机器学习当中，在训练模型时，如果样本太单一或者特征选择不当，就会出现过拟合。即，把训练样本当中的特殊情况，当成普遍情况。这样，在面对新的样本时，就无法正确处理。

我们常说的应试教育和素质教育，也有泛化能力的巨大差异。

应试教育整天让学生做卷子、刷题库，训练出来模型过拟合、泛化能力差，就会出现“高分低能”的情况。而素质教育则注重能力锻炼、比较多元化，训练出来的模型泛化能力强，学生们将来在生活和工作方面都不会有太大的问题。

其实，如果你把人的成长与机器学习进行仔细比对，你就会发现，两者还有更多异曲同工之妙。

一个婴儿呱呱坠地，他天生就会具备一些能力（自带算法库），比如心跳、呼吸、哭、笑、恐惧等等。

这些能力，都是神奇的进化和伟大的基因带给我们的。否则，让我们重新掌握一遍这些技能那就太费劲了。

当然，为了正常的生活，仅仅有这些自带的初级算法和模型是还不够，你还要不断地掌握一些新的技能（自研算法）。

比如，吃饭、走路、说话等等。

要掌握这些技能，需要父母日复一日年复一年，不辞辛苦地反复教我们，训练我们咿呀学语、蹒跚学步。

这就像在机器学习中，需要足够多的样本（成千上万），耗费很多计算资源，经过数分钟甚至数小时、数天的持续训练，才能获得一个模型。

其实，在人的大脑当中，不光有成年累月不断训练而掌握的技能（模型），还会有一些强规则。

这些规则，有些是父母教给我们的，有的是社会道德规范、法律法规形成的 。

比如，父母会对小孩子说：“不要随便吃陌生人给的食物”、“过马路时要左右看”。

在生活当中，要尊老爱幼、礼尚往来，要遵纪守法、践行社会主义核心价值观等等。

对于这些规则，我们记住，以后照做就行了。

由此可见，我们的大脑就像一个决策中心或者决策中枢，其中包含了无数规则和模型组成的。每次决策，就是组合地使用这些规则和模型。

在实际的机器学习应用场景中，在各个业务线当中，也有各种各样类似的“决策中心”。这个决策中心，就包含了成百上千复杂的规则（或者称为“策略”）以及训练得到的模型。对于某一个，用策略and/or模型的组合来进行判断和决策。而且，往往是先判断策略，如果不满足某个策略，那么就直接给出决策。

随着年龄的增长，除了吃喝拉撒这些基本技能，我们的决策中心还需要掌握更多的技能，比如语文、数学、音乐、舞蹈、体育等等。

在这方面，经常会看到某些孩子“天赋异禀”，即系统自带超牛的算法——他的爸妈给他遗传了更好的算法。

不过，我们普通人也不要气馁，我们可以付出更多努力（大样本），不断刻意、刻苦地训练（模型不断retrain和演进），也能取得好的成绩。

人生是场马拉松，模型训练也是如此。

相比之下，在这场马拉松当中，在人生的不同年龄阶段，我们所使用的学习方法也不尽相同。

在小时候，我们大多数采用的是有监督的机器学习。

比如，父母会拿着各种各样的水果教我们：“这是苹果、这是桔子”。

动画片和故事书中经常告诉我们，这是好人、那是坏人。

于是，我们最常用的就是二分类算法：大/小、长/短、是/否、好/坏。

而长大以后，我们遇到更多的是无监督或者半监督的学习，很多事物并不会带着明确的是非对错的标签。

因此，我们会用一些聚类算法。跟遇到的人经过一段时间熟悉后，才会把他们分为“讲义气”、“酒量大”、“会修电脑”、“爱吃老娘舅”等各个类别。

尽管学习的方法各异，但大道至简、万物相同。

我们知道，一个人在某个方面有所成就，就很容易在其他领域表现优异（迁移学习） 。

比如，爱因斯坦不仅是杰出的科学家，他还精通小提琴。一个C语言高手，很快就能变身Java大拿。

当然，细究起来，人脑与机器学习也有不少差异。

比如，给小孩玩几个玩具汽车、看几张汽车图片，他就会能认识许多造型各异、图片风格迥异的汽车。

相比之下，要让机器达到这样看似简单的能力，则需要需要数万、数百万的样本来训练。

几年来，有关AutoML的一个研究方向，就是解决如何用少量的样本完成模型的训练。

此外，我们发现，人类“下意识、一瞬间”能做的事情，对于机器来说却很难。

比如，认识物体和人像（图像识别能力）、喜怒哀乐的情绪以及行走奔跑的能力。

究其原因，还是归功于伟大的进化——我们的这些模型，是经历了亿万年的进化，经过了无数次地模型演进才获得的。

反过来说，人类花很长时间才能做完的事情，对电脑来说却易如反掌。

例如，在短时间内，对100万个数字求和，或者把圆周率的精确到小数点后100万位。

然而，要找到人脑和人工智能的能力差异背后的真实原因，人类还有很长一段路要走。

尽管现在科技日新月异，尽管人们已经发明出了“深度神经网络”来实现人工智能（深度学习），让机器认识猫、下围棋，但人类对自己大脑的运作机制仍然知之甚少。

可以说，人们用自己那神奇的、原理尚不清楚（不可解释） 的大脑，造出了种种机理尚不清楚（不可解释）的模型。

也就是说，尽管你用深度学习训练出了一个可以识别猫的模型，但这个模型没有可解释性。即，你无法说出这个你训练出的这个牛逼的模型，究竟是靠哪些特征、哪些原则来识别出猫的。

人的心智，就是由无数个如此讳莫如深的模型以及清晰明了的规则组成。

人的一生，就是不断迭代旧算法、retrain旧模型，研发新算法、训练新模型的过程。

所谓“读万卷书、行万里路、与万人谈”，这就是让我们掌握更多的算法，拥有更全面的样本，从而训练出更多样的模型。

不过，可惜的是，不像“长相、哭笑”这类特征/技能，人类的大部分模型并不能通过基因来遗传给我们的孩子。

比如，一个“精通Java/Python，擅debug、调core”的高级技术专家（P8），与一个“深谙用户体验和人性本质”的资深产品经理（P6）合体之后，繁衍的后代并不能天生就会写码或画线框图。

也就是说，你穷尽一生训练出来的各色优雅的模型，有朝一日都会下线（模型下线）。

但是，并不要因此感到悲伤，人生本来就是一个体验美好和精彩的过程。

人常说，活到老学到老，这样的人生才是完整的，才是值得期待的。

#专栏作家#

朱百宁，微信公众号：八点三十五，人人都是产品经理专栏作家。前百度品牌总监，著有《自传播》一书，现在专注于人工智能以及产品设计等领域。个人微信：izhubaining，欢迎添加进行交流。

本文原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自 Unsplash，基于 CC0 协议