那机器学习改变了什么呢？机器学习在一定程度上把“黑盒”的思想带入计算机中，用机器学习处理问题，并不追求一开始就找到解决问题的办法或处理过程的精确细节，而是让计算机用某些被先验证实的行之有效的基本模式去模拟问题中的数据发展变化，试图用足够多的反映现实现象的数据来直接驱动机器去模拟并拟合这些已知的现象，然后去预测那些具备相同规律但还未知的现象。说白了，机器学习是在追求让人类不用再去思考和设计的可能性，人类只需收集到足够的经验数据，让计算机能够自己琢磨，找到模拟的办法，进而解决问题。
今天的机器学习还不能让计算机直接做到自己总结出事物发展的规律，自己去设计程序来解决问题<sup>○一</sup>，但能够让它先去做模拟，在一定精度上找出问题可接受的近似解。机器学习在用一套很一般化的“模子”打磨出能够解决特定问题的“武器”，虽然过程不同于传统人工编程，结果也不同于可阅读、可解释的程序代码，但这里所做的事情，从某种意义上说就是一种“能够自发产生解决问题的程序’的元程序”。现在各种机器学习的经典学习策略，如决策树、支持向量机、神经网络，本身并不针对具体的问题，但通过这些算法让机器从数据中“学习训练”后，却可以做很多事情，一会儿下棋，一会儿打游戏，一会儿预测房价，这些都不需要人类去思考出精确的问题解决步骤，是不是看起来就像是机器从数据中学会了这些技能一样？
前面曾提到“学习能力”也许是高级生命的天赋特权，诚然，如果要提炼高级生命的最明显的几种特征的话，“学习”很可能会与“进化”“生存”“繁衍”等并列，被选为最关键的几个特征之一。那有了机器学习这门技术，是真的让机器具备了一点智慧生命的特征了吗？答案并非如此，原本机器学习确实尝试过让机器自动学习、发现事物的运行规律，但是今天大家所讨论的机器学习，只是根据历史数据对未来数据进行的一种模拟，而非人类意义上的主要以学到了知识和规律为目的的学习，也许将后者称为“思考”，与“学习”区分开来更为恰当。不过，从结果的角度来看，“机器学习”和“人类学习”又是殊途同归的，这两种行为的结果都是可以自主地获得原来没有的能力，自发地找到解决问题的方法，从这个意义上讲，只要结果确实能够解决问题，说机器会“学习”了也并无不可。
176
第三部分 第三波高潮
○一 有人可能会以 GPT 模型能够编写程序代码为例反对此观点。GPT 的“编写代码”依然是对现实事物的模拟，其本质是一种序列到序列生成模型的输出，根据输入序列和上下文窗口预测出最可能正确的输出序列。GPT 的输出代码片段与输出中文、英文答案并无本质差别，它并不是通过总结出规律，将规律应用于具体问题，用编程的方法解决问题得到答案的。