曾经人们试图绕过“机器学习”这个障碍，尝试尽可能地发挥机器本身的特长，如高速的计算能力和海量的存储能力，用逻辑符号推理来模拟人脑的思考、用人类总结从外部给机器灌输知识等去寻找获得智能的可能性（这些努力可详见第 3 章），但这些尝试都遇到了巨大的困难，均没有获得明显突破。相比自然界之中无穷无尽的自然规律，以及人类历史发展数千年的庞大知识积累，机器引以为傲的运算速度和人类总结灌输知识的效率都显得微不足道。
经过各种方向的探索尝试，今天人工智能的主流研究方向不得不又重新回到了死磕“如何让机器学会‘学习’”这个课题上，人工智能的学者基本已经接受了必须让机器具有通过历史经验修正自身的能力、具有接受外界输入的刺激并获得自我进步的能力，才是迄今最有希望通往人工智能的路径。
而对于公众来说，大约是 2012 年开始，机器学习几乎是一夜之间成为流行词。经过以 Gartner Group 等公司为首的一大批信息技术咨询公司在这些年的大肆宣传，人们对机器学习的期望和关注都已积累颇多，可能已经超过了机器学习本身所能解决的问题的范畴。正式探讨“学习机器”这个热门话题之前，我们需要先给它设定一个合理的期望与定位：机器学习是人工智能中的一种重要技术，做出了许多令人惊讶的成果，它相对于人工智能的地位，有点类似于数学相对于科学的地位，基础而且重要。不过，机器学习并不是魔法，也不是科幻想象中那种能把机器从一张白纸逐渐教育成智慧机械生命的神奇手段，它其实与人类从懵懂到睿智的教育过程几乎没有相同之处，让机器沿用学习一词，是取其“从经验中改进自身”的含义，而不是说它与人类的学习行为有相近之处。
我们还应意识到要实现能有效解决问题的机器学习是困难的，原因是没有能够学习所有知识的通用方法，也不会有能够解决所有问题的通用知识，每一个问题都需要通过专门的学习过程，寻找出能够解决问题的正确模型。而且，找到正确模型这件事情同样困难，机器学习相关的工作在业内常被自嘲为“炼丹”，意思是迄今尚未出现一套完整的、严谨的、可一步步参照着操作的关于机器学习中如何建模的方法论，机器学习问题大多是需要处理者根据实际场景的特点和自身的经验去解决的。这个过程考验操作者的技术和经验，运气和灵感这种难以琢磨的因素的占比也不小。训练模型常会由于模型的函数、参数和网络结构选择不当，优化策略或者算法不对，训练的数据不够等问题，导致机器学习不能交付令人满意的结果。
第 6 章 机器学习概览
171