大家對AI抱有很高熱情，也有很多想象，但沒法比較準確地概括出AI，并做出一些判斷。以下知識可能是個很好的開始，不需要太多基礎，最多是高中數學就可以，只需要耐心地花上15-20分鐘，并跟著一起思考，相信對您加深對AI的理解會有一些幫助。 ? 那么，我們開始： ?

機器學習主要價值就是學習一個經驗E，根據這個學習到的經驗E去執行一個任務T，目標是優化執行任務T的表現P。 ? 比如：在銀行，根據數據，AI學習客戶表現和客戶信用之間的關系，這個關系是經驗E；然后為每個客戶實時計算更準確的信用卡額度，這個是任務T；目標P是在一定風險承擔范圍內，增加銀行信用卡收入。（因為之前一刀切的額度變更準則，遠遠不如AI指定的精細額度有效率。） ? 好了，了解了AI是干什么的，那AI是怎么干呢？

機器學習的基礎流程

具體流程如下圖，請大家明晰，這七步是在干什么，以什么邏輯和時間軸。后續的介紹將聚焦在其中一兩個步驟。但我們經?；煜?，比如混淆AI訓練和AI執行任務。 ?

1.????選擇算法。比如，剛才銀行的例子，我們先要對客戶進行分類找到黑名單，這是分類算法，也要通過客戶行為預測他的額度水平，這是回歸算法。前篇對于Transformer的討論，就是一個最新的高級一些的算法。

2.???準備高質量的數據，并進行特征工程。通常這些要花費很多時間，特別是工業界，往往沒有高質量的數據。這里數據質量有四個層面：一是絕對的數據量，這個好理解。二是樣本數據，比如，在銀行風控領域，如果只是交易數據，那不是樣本，必須有真正的欺詐數據；比如，在設備管理領域，不但要有設備的運行數據，還要有設備的故障數據，這樣機器才可以真正學習。三是數據的處理效率，對于AI真正有價值的往往是實時數據，這是發揮AI決策最大價值的關鍵。四是特征工程，只有數據是不夠的，要進行處理，拿出機器可以理解而且有價值的特征才是根本。最簡單的例子就是男、女要分別改成0或1。特征工程是AI計算最重要的領域，整個深度學習的神經網絡可以理解為就是在做數據的特征工程。

3.???對數據用算法進行訓練。這個訓練的過程才是讓機器有能力執行任務的關鍵步驟，而且很多計算算法的邏輯也針對的這部分。我們講算力是決定性因素，也往往指訓練階段的算力瓶頸。

4.??訓練結束一般還要做很多測試，確保這個經驗是能夠應對多種情況，從而真正形成經驗E。

5.???經驗E要用到生產系統，實時地執行任務T。比如，上面例子中，我們核心任務是對每個用戶的信用額度動態調整。

6.???評估執行表現。AI的表現相對于人工會提升多少，和計劃是否有偏差等。

7.???持續優化。這里的優化是全方位的，既要更新算法，提高數據質量，又要有更擬合的訓練結果及更實時地執行任務等。經常聽客戶說，AI可能在我們這里落地效果不好。其實AI在哪里落地，剛開始時效果都不會好，真正讓AI起作用，是需要持續優化。第四范式的很多AI驅動的客戶，也把這一條當做自己重要的核心競爭力，即持續迭代的能力。

機器學習的理論基礎

我們先從這個經驗E如何訓練出來談起。 ? 假設，這個經驗E可以抽象成一個線性關系（當然現實世界不一定是簡單的線性關系，這里只是簡單化處理），即設Y=f(x)=wx+b，x是銀行數據（比如：還款逾期率），Y是信用額度。我們要學習的經驗E，就是學習這個f( )，這個概念很重要，建議停下來稍加理解。 ? 要想得到f( )，需要先拿一些樣本（也就是我們事先知道一些x數據，以及對應的y）進行訓練。 ? 例如： ?

我們希望利用這些x到y的樣本，反推出f(?）這個線性函數。

如圖1：在還款逾期率這個x和信用卡額度y這個空間里，我們有個很多樣本，需要預測的是這條直線y=wx+b長什么樣。

我們可以給機器設置一個規定的步長，窮舉出很多y=wx+b。但應該選擇哪個呢？

這里要引入：成本函數?J

成本函數的簡單定義：我們預測的直線到“每個樣本的距離之和”的平均值。

假設我們選定了一條直線或者說一個f（），那么在X(1)?給定情況下，y（1）是樣本對應的數值，是f()得出的數值。M為樣本個數。

這個函數就是這條我們預測的直線到每個樣本的距離之和的平均值。即我們應該找到一條直線，它距離每個樣本的平均距離最短。也就是對應成本函數最低的那個。

這里可能大家有些懵，我們梳理一下：

這里有幾個概念：真實世界發生的事件，被數據記錄下來，被記錄下來并拿來做

樣本的，這三個層次是不是逐漸縮小了？再往后，我們訓練產生一個y=wx+b，其目標是利用樣本數據訓練一個規律，從而可以預測真實世界。簡言之，第一件事是訓練出很多y=wx+b，第二件是比較哪個y=wx+b更好，第三件是選出那個最好的。

在實際操作中，計算機會算出各種可能的f( )，并算出相對應的成本函數，這個成本函數的取值就像圖3顯示的，是一個曲折的球面，機器利用規則在尋找那個山谷的最低點，也就是成本函數取值最小那個點，這個點所對應的f()，就是我們要找到的那個。這種方法就是梯度下降。

圖3

因此，計算機學習經驗E的過程，就是給定一部分x，y數據（樣本），預測總體上f( )長什么樣。利用的方法就是通過梯度下降的方法，找到成本函數最低的那個f( )。

所謂梯度下降，其原理就是提前設置一個學習率。學習率是告訴計算機該以什么變動頻率產生多個f( )用來比較。如果這個f( )是個線性方程，其中一個學習率就是這個斜率的變化。比如，機器預測這個方程式y=3x，如果學習率是0.1，那么下一個預測的就是y=3.1x。機器學習，就是這樣每得出一個方程，就計算一個相應的成本函數，然后通過梯度逐步下降原則，找到成本函數最小的方程。

通過梯度下降計算后，選出最優f( )，計算機就能夠完成任務T。在例子中就是，如果有新的還款逾期率數據，機器可以根據f( )預測相對應的信用卡額度，從而給出更合理的銀行客戶信用額度，因此提升了銀行服務客戶效率，帶來了信用卡對應收入的提高。

機器學習的數學基礎——向量

剛才那個例子，X是還款逾期率，也就是說只有一個變量。但現實生活中，影響信用額度的不只是一個變量。還會有性別、年齡、地區、年薪、存款額、信用卡交易額、違約次數等諸多特征，如下表（圖4）。 ?

圖4 ? 表格中是兩個樣本，每個樣本都是一組數據，是銀行客戶的基本畫像以及交易行為。銀行客戶的信用卡額度應該是這些信息綜合決定。 ? 這里每一行數據，稱為一個向量；可以表示為： ? ? 每個向量里都包含了各種特征數據。 ? 向量是高維空間的某個點，在這個例子中這個高維空間就是由這8個特征類別組成的高維空間。 ? 相比較y=f(x)在二維，y=f( )我們需要在這個高維空間去計算。 ? 這個從y=f(x)到y=f( )的轉換非常重要，是一定要理解的概念，整個AI的數學基礎都建立在最小的計算單元——向量上。 ? 為什么要升到這個高維度來看數據？這里有個背景，就是我們希望數學公式盡量是線性方程，而不是多元方程；只有當數據被放到一個非常大的維度中，數據才可以更容易呈現線性關系。 ? ? ?

機器學習的進階——神經網絡

另外，在開始之前，有必要再介紹一下神經網絡基礎概念

我們定義樣本數據：X(1)?X(2)?X(3)?X(4)…X(i)

每個樣本數據都是一個個向量形式，一共i個樣本，

比如

即每個樣本有8個特征

如果我們把y=f( )換一個形式表達，就如下圖

?

?

即每個X(1)的向量特征值參與計算，最后通過梯度下降的方法優化成本函數，得到f( )。

那么神經網絡，就是在圖5這個計算基礎中間，加入了幾個隱藏層，如圖6就是加入三層隱藏層的神經網絡。神經網絡的作用主要是進一步提取新的特征，特別是那些隱藏的以及非線性的特征。

我們舉個例子，還是信用額度計算問題（見圖7），加入我們設計一層隱藏層，這個隱藏層對應的四個節點，分別是掙錢能力、還錢能力、對銀行忠誠度、信用習慣，這四個特征是先前數據樣本里沒有提供的字段。這些節點要分別跟我們熟悉的八個特征逐一進行計算，找出其相關性，從而得到一個更精準的信用額度。

其中掙錢能力、還錢能力、對銀行的忠誠度、信用習慣是我們為了便于理解而人為設置的，現實中機器可以自動計算出相應的可能隱藏層。

在很多神經網絡里，這個隱藏層數可以達到幾十層。某種意義上神經網絡就是對數據原有特征的進一步補充，找出那些隱藏在數據里非線性的相關性，作為新的特征加以計算，提升模型能力，可謂之深度學習。深度學習是機器學習里面的一個分支，但目前在各行各業得到了廣泛的應用。

簡要總結

講到這里，我們把機器學習的最基本概念做一個簡要總結：

① 機器學習基礎流程中我們要搞清楚什么是訓練什么是執行，另外“持續優化”是重中之重；第四范式在這個層面上不斷掉坑不斷爬出來，有多年積累。未來企業的治理結構里很可能會設置核心競爭力北極星指標，并通過智能化加以實現；但真正的壁壘就是這個“持續優化”。

② 機器學習的“訓練”部分就是找到f( )，即成本函數按照梯度下降的方法找到最優的f( )。大家理解了找f()，才能進入各種算法討論。

③ 強調向量的概念。這里數學上的背景是，我們不希望總是處理多元方程或者叫非線性問題，往往把數據放到一個高維空間，總是可以找到線性關系，當然這增加了非常大的計算壓力。這個高維空間的新世界，是我們一定要有概念的，雖然這有些反直覺，而且也沒有物理上映射。

④ 神經網絡是在給定樣本，給定向量特征情況下，對數據特征進一步的補充和強化。神經網絡或者深度學習是未來的發展方向，不需要不明覺厲，但可能會越來越多地聽到。當然只從特征強化的角度，解釋神經網絡還是遠遠不夠的，但至少是個不錯的開始。

這樣介紹AI其實很大膽，跟經典教科書不太一樣，再次強調我是門外漢出身，只是學了一 點之后的經驗之談，會有很多錯誤也一定不全面，也許半年后回過頭我會有不同的感悟和心得，到時再給大家補充。

編輯:黃飛

?