被神话了的”人工智能

公司里引进了一个“懂”人工智能的高管，一时间，所有不同的部门总，负责人，都开始跪舔，老板也脸上放光，好像觉得已经占据了未来竞争的先机。

一时间，人工智能已经成了一种“运动”，好像哪个部门的工作还没有接受人工智能的改造，就是彻底的落后。好像，哪个部门只要接受了人工智能改造，人效至少提升三倍，大量人力可以被节省出来。

每一次汇报，都要大力吹嘘人工智能的威力，一时间，在公司里，人工智能已经走上了神坛。很多做人都希望自己的工作能跟人工智能搭点关系，好像只要这样，自己就掌握了未来的竞争优势，有了制胜先机。

其实，人工智能是一个非常宽泛的概念，包含了机器感知，机器决策，以及反馈闭环等等几个方面的研究方向。就目前来说，大部分方向都还不成熟。

虽然 AlphaGo 在围棋上战胜人类非常惹眼球，但是，这并不能说明人工智能就如何如何了，只能说明计算机科学家在对围棋这类比较复杂的博弈问题上，建模能力得到了极大的提升。

而对于我们公司这种类型的业务来说，智能是根本靠不上边的。机器学习模型运用于信贷场景的信用评分模型，至少有 30 年以上的历史，最初的基于统计学的方法，比如逻辑回归算法，现在也被归入到机器学习的范畴里面，所以，这是一个非常成熟的领域。

这里用到的方法是“有监督学习”，我把这个事情比喻作，知道答案倒推过程，就好比，你已经看到了一道题目的答案，然后推理出解题的过程，当然这个推理也是基于一部分你的知识经验。然后，这个解题过程被提炼出来，然后用于解决新的题目。这和小学生上课学习解题的过程非常相似。

固然，这个过程很神奇，计算机怎么可能具备学习能力呢？这可能是大多数人无法想象和觉得神秘的地方。从而最终产生了机器学习无所不能的印象。但是，这个过程无疑也暴露出这个方法的根本弱点，就是必须学习例题。

也就是无论你想让一个机器学习方法解决什么问题，你首先要知道很多这类问题的答案，然后机器才能学习出解决方法。于是，机器学习已经去除了先知的特性。

另外，这种学习的方法也是更多基于统计，而不是基于抽象，于是，你光有一类问题的很少数量的解答，机器学习到解法的可能性就会下降很厉害。再怎么也不能违背统计学规律是不是？

那么学习出来的方法，就是 100% 精确嘛？所谓事无绝对，就是说，100% 这个数字，在多数场景下并不可能的。所以，机器学习的方法，很多时候，是有精确度的问题的，我们常用的评价方法是KS（区分度），精确度，召回率等等指标。

而评价一个机器学习模型的性能，往往都是跟随机猜测进行比较的。从来没有跟一个普通智商的人类进行比较的先例。为什么呢？其实机器只有在多次重复劳动的场景下，才能靠自身的优势击败人类，但是在次数很少的判断决策场景下，机器很难超越人类。

一旦一个业务场景被抽象成了多次机械精确计算的模型，那么人类就很难取胜了。比如，下围棋，需要算棋，其实是对博弈树的机械搜索，当剪枝效率高到和人脑的启发能力相似的时候，人就不可能在对弈中胜过机器了。

比如信贷评分模型，对几十上百个变量，进行判断，一天数以万计的进行运算，就不是人力所及了。

但是，机器能做得多好呢？我想，人力不能及的情况下，就意味着没有人从事这项工作，所以，做得只要比丢硬币好，我们就觉得很好了。这也就是总是跟随机猜测比较性能的原因。

对于本来就已经知道高效解法的问题，人工智能除了被你喷成智障带来一点笑料并不能给你什么惊喜。