一句话定义
机器学习（Machine Learning）是一种编程范式：你不再编写「如果……就……」的规则，而是提供大量输入和正确答案，让程序自己找出一套能复用的映射关系。
传统程序是 规则 + 数据 → 答案。机器学习是 数据 + 答案 → 规则。
为什么重要
这是过去二十年 AI 进步的根本原因。
很多任务人类根本写不出规则——如何判断一张图里有没有猫？你无法用 if 语句描述猫。但你可以给机器看一百万张标注过的图片。
机器学习的核心假设是：如果模型在足够多的例子上表现正确，它就有可能在没见过的例子上也正确。 这个假设叫泛化，它成立的时候，AI 才有实用价值。
三种主要范式
- 监督学习：数据带标签。给图片和「猫/狗」标签，学分类。工业界最常用。
- 无监督学习：数据不带标签。让模型自己发现结构，比如聚类、降维。
- 强化学习：不给标准答案，只给奖励信号。模型通过试错去最大化长期回报。
大语言模型的训练是这三者的组合：预训练接近无监督（预测下一个词），指令微调是监督学习，而近年的推理能力提升大量依赖强化学习。
决定效果的三件事
- 数据：数量、质量、覆盖范围。垃圾数据会稳定地产生垃圾模型。
- 模型：能表达多复杂的映射。
- 目标函数：你让它优化的指标是什么。你优化什么，就得到什么——这是机器学习里最容易被忽视的一句话。
常见误解
- 「机器学习就是记住答案」：如果只是记忆，它在训练集之外会立刻失效。真正的价值在泛化。
- 「数据越多越好」：低质量、有偏的数据变多，只会让错误更稳定。
- 「模型会自己理解因果关系」：它学到的通常只是相关性。相关性在分布变化时会失效。
延伸阅读
- Neural Network：机器学习里最主流的一类模型
- Large Language Model：把这一范式推到极致的产物