● 第三类问题（我们可以观察到现象但不能总结出规律）：不知道规律，但可以根据已知现象的统计结果去推测未知现象。譬如小黄预测他的女友约会会否迟到的策略，依靠的就是他长期对女友约会迟到的特征进行统计学习之后得出来的；再如天气预报这类应用，气象系统是典型的受混沌理论约束的系统，几乎不可能靠严格的推理来获得满意的结果，但是可以根据长期记录的天气变化前的各种特征来做出很有效的预测。这个象限是统计学习的主要发力点，做出了一些很不错的成果，是现在机器学习备受关注的原因所在。
● 第四类问题（我们既不知道现象也无法总结出规律）：这类问题我们既不知道它蕴含的规律，也没有办法统计出任何有规律的特征。譬如彩票的开奖号码，如果没有任何“黑幕”，这确实是一个没有人工干预的真随机事件的话，那么即使提供给你所有历史开奖的数据，或者让你对彩票摇奖过程做研究找规律，对中奖结果的预测也不会产生什么帮助。要解决处于这个象限的问题，就必须靠人类的“顿悟”了，现在机器还暂时难以涉足这个领域。
还需注意到，这些分处于二维坐标四个象限内的知识和问题之间的界限并非绝对不变。所谓一个问题不可推理，其实在大多数情况下都是在说推理的难度非常大，或者涉及的细节变量很多而难以推理。说现象没有规律，其实并不是说这是真正无规律的真随机事件，而是样本数量不够多，或者所选取的观察特征和观察的尺度不够准确。完全不可推理、不可统计的问题在现实世界中还是较为少见的。同理，机器学习方法所能解决的问题，或者说机器学习方法所能适用的范围，也并非固定不变，而是随着新理论出现、方法改进和技术及硬件能力的提升不断拓展，逐步从不可推理到可推理，从不可统计到可统计，每一次人工智能革命都把机器能处理的问题范围向外拓展一些。机器获得智能也不是一蹴而就的，而是随着这个发展进程逐渐变得更智能，如图 6-4 所示。曾经有学者感慨过，每当一个问题被计算机解决了之后，大家就不再认为这是人工智能了<sup>○一</sup>。算不算人工智能这一点其实并不重要，重要的是，现在人与机器配合能够解决的问题越来越多，人类正在与机器一起解决更多的问题，逐步开拓智慧的疆界。
182
第三部分 第三波高潮