4.1 归纳法与机器学习

说明 本讲核心：机器学习本质上是一种 “归纳法”。它很强大，但永远无法获得真理。 一句话口诀：历史会重复，但不会完全重复。

（注：本章将进入“深水区”，涉及一些核心原理。如果你觉得某个概念（如贝叶斯）太难懂，完全可以先跳过，记住结论就好。不懂原理并不影响你使用 AI。）

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，只是因为它在历史上上涨过，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：

1. 监督学习（Supervised Learning）：“有老师教”。

   • 老师给你题（数据）和答案（标签），你照着学。

   • 最成熟，用得最多。

2. 无监督学习（Unsupervised Learning）：“没老师教”。

   • 给你一堆书，让你自己看，自己分类。

   • 如：聚类、推荐系统。

3. 强化学习（Reinforcement Learning）：“环境教你”。

   • 没人告诉你怎么走，但撞墙了会疼，吃肉了会香。

   • 如：AlphaGo、机器人。

4. 自监督学习（Self-Supervised Learning）：“自己教自己”。

   • 把文章盖住几个字，自己猜。

   • 这是 GPT 这种大模型的秘诀。

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？