AI有点像青少年时期的性行为：人人都在谈论它，但真正去做的并不是那么多人，而且他们也没有说的那么频繁。

叫我老派好了，但在没有神经网络的帮助下，我们也能从糟糕的数据中得出不准确的结论，那时候确实挺好的。毫无疑问，机器学习确实有很多惊人的应用，上周我写了一篇文章谈到这一点，但找到合适的机器学习方法来解决问题并不容易。并不是所有的锤子都适合所有的钉子，这就像，知道如何选择合适的算法来解决问题会使世界变得更美好。

在这篇文章中，我打算介绍一些描述机器学习算法的关键术语。工作流、工具链和伦理问题我将在另一天讨论，但读完这篇博客后，你可能会对这个快速变化的领域不再那么困惑。我不会在这篇简短的文章中涵盖机器学习和人工智能的所有方面，但让我们来看看一些常用的算法以及你可能什么时候会用到它们。

几种机器学习

监督学习是指模型在有标签或分类的数据上进行训练。例如，为了训练一个识别狗的模型，你首先需要一个包含大量标记为狗的图片的数据集。监督学习需要高质量且正确标注的数据。监督学习的一个问题是 过拟合，即模型过于适应其训练数据，以至于无法很好地泛化到其他类似的数据集。目前这种情况正在迅速改变，因为生成式人工智能正在兴起。

监督学习算法包括用于深度学习的神经网络、用于区分两类数据的支持向量机（SVM）、将数据逐步划分成越来越小的组的决策树、以及基于一组特征计算数据属于特定类别概率的朴素贝叶斯算法，等等。每种算法都有自己的优缺点。神经网络在应对复杂任务时表现更好，但计算成本更高。SVM几乎同样优秀且计算成本较低。朴素贝叶斯算法更快，但并不总是表现得那么好。决策树虽然看起来略显过时，但它们非常容易被人类理解，因此在可解释的人工智能中起着关键作用，人类可以理解模型得出结论的步骤。

无监督学习 是指模型独立地发现数据中的模式。这一技术已被广泛应用于大规模数据集的处理，例如自然语言语料库或气象数据，因为给这些数据集标注是不切实际的。

无监督学习可以使用_聚类_方法将数据分组，它可以将数据集降维，或者寻找关联规则。关联可用于诸如“购买此商品的顾客还购买了这些商品”这样的推荐信息。

强化学习 就是模型需要做出一系列决策后才能得知正确答案，例如，一个玩游戏的模型可能经过多次尝试后才能知道是否获胜。最典型的例子就是自动驾驶汽车。

深度学习和生成人工智能

深度学习是在20世纪50年代发明的，但直到计算技术的发展才真正变得实用。特别是图形处理器（GPU）的发展，这些曾经主要用于游戏图形处理的GPU，已经发展成更通用的数值运算器，在模拟和机器学习的各个领域中得到了广泛应用。

深度学习使用多种类型的神经网络。其中一种叫做“生成对抗网络”(GAN) 的类型常用于生成式AI。神经网络虽然直观，但背后的数学并不复杂。一点线性代数的知识就能带你走得很远。当然，这又是另外一个话题了。

生成式AI 是让我们对机器学习感兴趣的变革者。它确实很神奇。生成式AI已经与大型语言模型（LLM）几乎成了同义词，但该领域绝不仅限于大量的文本。训练一个基础模型成本极其高昂：你需要大量的数据和巨大的计算资源。那些已经训练好基础模型的人拥有大量的GPU。不过，并不是每个人都需要训练自己的基础模型，你可以用一组新的权重对基础模型进行微调，以解决特定问题。一个模型可能有例如500亿个参数。

每一代生成式AI都是在前一代的基础上发展起来的。在大模型之前，我们有Transformers，它能够理解文本中的上下文关系（例如，在文中提到的“卖给牛奶的那个人”和“之前走进我店的那个人”是同一个人）。

今年早些时候，DeepSeek 因宣布了一种能够在较短时间和较弱芯片上训练的竞争性大型语言模型而引起了广泛关注和讨论，并导致了美国股市的小幅波动。此前人们普遍认为，我们需要越来越强大的GPU来训练越来越大的模型。这一突破的长期影响将会逐渐显现，它是否会促进在资源和能源密集型行业的可持续性，还是会让AI研究进一步发展，这一点尚未可知。

人工智能给我们带来了什么呢？

我们都见过社交媒体上充斥着一些难以置信的风景和畸形猫咪的生成图像，但人工智能远不止于此。利用AI进行数据分类正在通过识别一些专业医生可能漏诊的肿瘤来挽救生命。预测模型常用于风险缓解，识别即将失效的组件或可能受益于干预的个人。如今，推荐模型帮助我们更快找到想要的产品和服务。我遗憾在购买面部彩妆时没有点击“全部加入购物车”，因为算法试图告诉我，我选择的那套里没有黑色或白色。

很多人都担心AI会取代人类，这种担心是有道理的。它会改变我们对所需技能的需求，这对一些人来说可能不是一个积极的变化。我丈夫正在研究用来摘草莓的机器人，这些机器人将取代主要是移民工人且收入低的劳动力。这在某种程度上是积极的，但是我们需要确保每个人都能从AI发展中受益，而不仅仅是那些能够负担得起草莓的人。

人工智能还将以多种方式协助人类，例如提醒安全员可能存在的危险，或者加快医疗数据的分析。

越来越多的任务将由AI完成，而人类要么无法完成，要么完成得过慢而无法实际操作。比如，DeepMind的AlphaFold可以像人类一样准确地解析蛋白质结构，但速度要快得多，从而节省了数十亿博士生的工作时间。

这一切最终都取决于数据

选择哪种机器学习方法取决于问题的范围和数据。无论数据质量糟糕、有偏差或不完整，最终都会得到糟糕的结果，无论使用哪种算法。数据准备是数据分析的关键环节，即使你选择使用更传统的技术来提取价值，而不仅仅是依赖机器学习。

一旦你完成了数据清理，还需要进行一次特征工程的步骤，才能开始构建你的模型。这是一个耗时的步骤，会决定哪些模型适合用于你的数据。虽然听起来很简单，但实际上很少能找到以机器学习模型易于处理的方式存储的数据。特征包括诸如身高、体重、性别、信用卡状态、你上次访问网站或应用的时间、你点击按钮的次数等方面。

总之就是

这篇文章只是简单地介绍了机器学习算法的皮毛，但我希望我已经对机器学习的广阔领域提供了一个初步的介绍，让你在决定如何将这项技术应用于你的业务时更有把握。

春天来了，我的花园里的水仙花都开了。