昨天在南京珠江路巷口的社区咖啡店蹭网，对面坐了两个计算机系的学生，凑着电脑屏幕小声嘀咕。一个说“我投了好几家机器学习岗的实习，连面试通知都没有”，另一个说“这不正常吗，现在招机器学习的，都要会调大模型对吧？”我捧着冰美式抿了一口，差点笑喷。
你天天用的服务，早就藏着机器学习了
很多人觉得机器学习是实验室里飘着的黑科技，只有大公司的天才研究员才碰得到。真不是。你昨天扫的共享充电宝，你点外卖给你推的商家，你刷短视频给你选的内容，全都是机器学习在后台干活。
说实话我之前帮一个做共享设备的朋友梳理过他们的点位逻辑。早年他们铺点位，全靠区域经理拍脑袋，觉得商圈人流大就多放，结果周末漫展开展，半个下午全借空了，眼睁睁赚不到钱。冷门的写字楼角落，堆了二十台，放半个月都动不了几个，运维成本堆得吓人。
现在呢？
把过去半年的每日人流、天气、周边活动、工作日周末的数据全部喂进去，模型自己会找规律，哪天哪个点会有多少人借，需要备多少台，算得比十年经验的区域经理还准。错峰补货的成本直接降了三成，空柜率掉了快一半。
这就是机器学习。说白了，就是机器帮你在一大堆乱七八糟的数据里，找出来你要的规律。不用你自己一条一条写规则，你给够例子，它自己学。
对门卖卤菜的阿姨现在都在用。她开了十年店，原来每天备多少菜全靠感觉，遇到下雨周末经常剩一大堆，天热的时候只能倒掉。现在她用了个小程序，把过去大半年每天的销量、天气、星期几输进去，小程序每天给她报个备菜量，剩菜比原来少了快七成。你说这算不算机器学习？当然算。
别迷信“全能模型”，好用的机器学习都是偏科生
最近两年大模型火了，好多人说起机器学习，开口就是千亿参数，通用人工智能，好像参数不够大就不配叫机器学习。
我上个月跟一个做医疗AI的医生聊天，他给我吐槽了个真事。他们医院想做一个眼底照片筛查糖尿病的辅助模型，本来找了个团队，用专门针对医疗影像训练的小模型，准确率已经到了96%，完全满足临床辅助的需求。结果院领导听了大模型的发布会，非要换成一个千亿参数的通用大模型，说“够先进，够大”。
结果呢？换完之后准确率直接掉到了91%，掉了五个点。为啥？
通用大模型什么都学，从猫脸狗脸到论文歌词，什么特征都往里塞，真正对糖尿病病变有用的细微血管特征，反而被一大堆没用的特征给盖住了。那个专门训练的小模型呢？它这辈子就只学眼底照里的病变特征，偏科偏到了姥姥家，但是干活就是准，成本还只有大模型的百分之一。
好多人对机器学习有个最大的误区，觉得越全能越牛。其实现在真正落地赚钱、给普通人方便的，百分之九十都是这种偏科的小模型。你手机里的人脸解锁，就只学人脸的特征，你让它认你家的猫，它肯定认不出来。导航软件算路线的模型，就只学路况和时间的关系，你让它给你写情书，它肯定写不出来。
这一点都不丢人。本来机器学习就是来解决具体问题的，不是来当神仙的。对吧？
普通人想学机器学习，先避开这几个坑
好多刚接触的新手，上来就踩坑。我见过最多的就是两种。
一种是上来就啃厚厚的教材，从线性代数啃到概率论，啃了半年，公式背得滚瓜烂熟，连个最简单的分类程序都跑不起来。问他为啥不跑，说“我还没把基础学完呢”。
还有一种就是被培训班割韭菜，上来就学调参，三个月跑了十几个开源项目，全都是拿别人现成的模型改改参数，跑个准确率就完事了。问他为啥这个参数比那个参数效果好，说不上来。找工作的时候，面试官稍微问深一点，直接露馅。
说实话，机器学习根本没那么玄乎。你要是感兴趣，根本不用花大几万报班，也不用啃完三大本厚书再动手。找个公开的小数据集，找个入门教程，自己跑一遍，比什么都强。比如那个经典的泰坦尼克号生还预测，一千多条数据，你喂进去，跑一遍，马上就能明白，哦原来机器就是这么从已有数据里找规律，预测新结果的。
不过话说回来，很多人说，现在大模型都出来了，普通人学机器学习还有用吗？怎么没用？大模型也是机器学习的一种啊。就算你不想做这行，搞懂了机器学习到底是怎么回事，你就不会被网上那些“AI要取代所有人”的鬼话吓到，也不会被那些七天学会年薪几十万的骗局割韭菜。
它就是个工具。和你家厨房的切菜刀，办公室的打印机，没什么区别。切菜刀就是用来切菜的，你不能要求它给你洗衣服，打印机就是用来打文件的，你不能要求它给你做饭。机器学习也是一样，解决具体问题，帮人省点时间省点力气，就已经完成任务了。
那天临走的时候，我听见那个找实习的学生说，“早知道这样，我就不天天盯着大模型背参数了，原来他们要的是会解决具体问题的啊”。
我隔着桌子笑了笑。没好意思说，可不就是这样嘛。
作者|科技
排版|科技
审核|白杨