# 4.1 归纳法与机器学习

> 机器学习本质上是一种“归纳法”。历史会重复，但不会完全重复。

## 4.1.1 罗素的火鸡

如果你想理解机器学习的本质，没有比 **“罗素的火鸡”** 更合适的故事了。

农场里有一只火鸡，它发现了一个规律：

每天早上 9 点，农场主就会带着食物出现。

无论刮风下雨，无论周一还是周日，这个规律从未失效。

于是，这只火鸡利用 “机器学习”（统计学），训练出了一个完美的模型：**“早 9 点 = 有饭吃”**。

它的置信度高达 99.99%。

直到感恩节的那个早晨 9 点，农场主带着刀出现了。

**这就是机器学习的宿命。**

机器学习是基于 **“归纳法”**（Induction）的。它所有的智慧都来自 **“过去”**（历史数据）。

它假设未来会重复过去。但一旦出现从未见过的 “黑天鹅”（比如感恩节），再强大的 AI 也会瞬间变成傻瓜。

## 4.1.2 演绎法 vs 归纳法

人类的推理方法有两种，对应了机器学习的两种实现方式：

1. **演绎法（Deduction）**：从公理推导出结果。
   * *例子*：所有人都会死（公理） -> 苏格拉底是人 -> 苏格拉底会死。
   * *特点*：基于规则，绝对正确，但很难发现新知识。传统的计算机程序（If/Else）就是演绎法。
2. **归纳法（Induction）**：从现象总结出规律。
   * *例子*：看到 1000 只天鹅是白的 -> 推测所有天鹅都是白的。
   * *特点*：基于统计数据，**可能出错**，但能处理复杂世界。**机器学习就是归纳法。**

**所以，千万不要迷信 AI 的预测。** AI 预测股市上涨，只是因为它在历史数据中找到了跟当前类似的模式，不代表明天真的会涨。

## 4.1.3 机器学习的“四大门派”

在归纳法的世界里，根据“有没有老师教”，分成了四个门派：

| 门派                                  | 类比         | 关键点                       | 典型例子          |
| ----------------------------------- | ---------- | ------------------------- | ------------- |
| **监督学习（Supervised Learning）**       | 有老师批改作业    | 有数据 + 标签（答案），照着学（最成熟、最常用） | 分类、回归（如房价预测）  |
| **无监督学习（Unsupervised Learning）**    | 自己看书做归纳    | 只有数据、没有标签，自己找结构           | 聚类、降维（以及部分推荐） |
| **强化学习（Reinforcement Learning）**    | 在环境里试错     | 用奖励/惩罚信号学策略               | AlphaGo、机器人控制 |
| **自监督学习（Self-Supervised Learning）** | 做完形填空/文字接龙 | 用数据“自己生成标签”再学习            | GPT 等大模型的预训练  |

## 4.1.4 思考题

既然机器学习（归纳法）注定无法通过 “过去” 完全准确地预测 “未来”（火鸡困境）。

那么，为什么我们现在还敢把自动驾驶（一种机器学习）交给 AI？我们是在赌它永远遇不到 “感恩节” 吗？


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://yeasy.gitbook.io/ai_beginner_guide/di-er-bu-fen-he-xin-ji-shu-jie-xi/04_machine_learning/4.1_ml_principles.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.