那天赶稿子赶得太阳穴突突跳，下午三点多溜进新街口那家开了快六年的老奶茶店，刚站到点单屏跟前，屏幕”叮”的一声弹出来个老顾客专属选项：三分糖少冰芋泥奶绿加珍珠，旁边还标了”您常点”。我当时愣了三秒——我连这家店的会员都没注册，上周只是赶早班地铁顺路买过一次，站在柜台前犹豫了五分钟才敲定的这个搭配。
你以为的机器学习，根本不是实验室里的怪物
好多人一听到机器学习，第一反应就是硅谷实验室里穿白大褂的博士搞的高精尖东西，是能自动驾驶的汽车、能写代码的大模型，离普通人的生活十万八千里。真不是。那天在奶茶店帮我点单的那个系统，就是最普通的机器学习应用。
它根本不需要认识我，也不需要记住我的脸，只是在后台跑着一个最简单的分类模型。把所有到店用户的行为拆成一个个小标签：到店时间、点单金额、口味偏好、常加的小料，甚至是站在屏幕前犹豫的时长。它把这些标签攒成一堆，只要新进来的用户标签和之前某类用户的匹配度超过某个阈值，就直接把那类用户最常选的饮品弹出来。
就这么简单。
你以为的”它懂我”，本质上和高中班主任看着你每次模考的排名、上课的走神次数、交作业的完成情况，就大概能猜出来你下次考试能考多少分，没有任何本质区别。我高中那会攒的错题本比砖头还厚，最后高考数学提了三十分，现在想想，我当时做的事，和机器学习的逻辑居然一模一样，突然就不觉得它神秘了。
别被”智能”骗了，它就是个攒错题本的笨学生
我之前跟一个做零售算法的朋友吃饭，他说好多客户刚找过来的时候，张嘴就要”能自动猜顾客想买啥的智能系统”，觉得这个系统能像人一样，隔着屏幕摸透顾客的心思。每次他听到这话都想笑——哪有什么摸透心思，这系统笨得很。
它从来不会”理解”任何事，只是在不断统计：有多少个和你特征相似的人，最后做了什么选择。
就像你上学的时候攒错题本，把每次做错的题抄下来，下次碰到同类型的，就知道之前踩过哪个坑，该选哪个答案。机器学习干的就是这个事。它没有创造力，也没有判断力，你给它喂多少题，它就能在这些题的范围内，算出个相对靠谱的答案。一旦碰到题本上没见过的情况，它立马就懵。
之前有个做社区垃圾分类的项目，团队一开始攒了十万张垃圾的照片，全是在办公室白墙前面拍的，瓶子摆得整整齐齐，厨余垃圾的分类标得清清楚楚。结果系统一拉到小区里用，直接露馅——垃圾桶旁边挡着半辆电动车、落叶盖在塑料瓶上、居民扔的快递盒上还沾着透明胶带，识别准确率直接掉了快一半。说白了，就是错题本攒错了，全是脱离真实场景的假题，到了真考场，当然考不及格。
那些吹得神乎其神的”智能”，大多是没做对的功课
说实话，我之前也被网上的说法吓过，说机器学习厉害到能偷听你说话，你刚跟朋友聊了一句想买啥，打开购物APP全是相关推荐。后来跟那个做算法的朋友掰扯了俩小时才反应过来，根本没那回事。
真没那么玄乎。
你想想，你要是最近打算养猫，总得在某个地方留下痕迹吧——可能是刷短视频的时候，在猫的视频下面停留了三秒，可能是刷到宠物医院的广告点了进去，可能是你之前搜过”出租屋怎么除猫毛”，甚至可能是你在小区业主群里问过一句”谁家有多余的猫砂”。这些零零碎碎的行为凑到一起，系统就能算出你有很高的概率要养猫，给你推猫粮、猫砂、猫爬架，根本不需要偷听你说话。
好多人把机器学习吹得像个无所不能的先知，其实它的能力边界特别清楚——你给它的信息越贴近真实世界，它算出来的结果就越靠谱；你要是给它喂一堆假的、脱离实际的数据，它给你的结果就能离谱到让你笑掉大牙。
我那个做算法的朋友，现在每周有三天不在办公室待着，要么蹲在奶茶店门口看用户点单时会在哪个选项上犹豫，要么蹲在小区的垃圾桶旁边拍不同光照下的垃圾照片，要么在地铁口数大家过闸机时，人脸识别的摄像头对着脸的角度是多少。他说之前刚入行的时候，总觉得要把模型调得多么复杂才叫厉害，现在才明白，机器学习最核心的部分根本不是写代码，是你到底有没有真的走到真实的场景里，知道普通人到底在干嘛。
那天我在奶茶店点完单，靠在窗边等的时候，又看到屏幕给一个穿校服的初中生弹了”珍珠奶茶全糖加冰”的推荐。小孩盯着屏幕笑了一下，伸手点了确认。
作者|科技
排版|科技
审核|满满