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？