上周三早上赶项目，我在工位上摸出手机点冰美式，按照之前的习惯，我会翻3分钟找公司楼下那家开了两年的咖啡店。结果那天打开外卖APP，首页第一个弹出来的店，离我比常去的那家还近200米，评价里全是同楼的同事说他家奶泡打的细。我当时还感慨，这平台怎么比我还懂我喝咖啡的口味。结果等了22分钟，小哥打电话说找不到单元门，绕了两栋楼才把咖啡递到我手上——那杯冰美式晃得半杯都洒在袋子里了。
你以为的“智能”，其实是“记仇”
我之前跟做外卖调度系统的朋友聊起这事，他翻了个白眼说，你真以为系统是实时算最优路径？拉倒吧。它根本不知道什么叫“近”，只知道什么叫“之前没翻过车”。你想啊，你让一个从来没在这个片区送过餐的人，拿着地图找路，他说不定还能找的比系统快。系统的所有判断，全是之前攒下来的历史记录：哪个门早高峰会堵，哪个单元的门禁需要找保安开，哪条小路下雨天会积水泥泞，这些数字堆了几十万条，它就把这些数字排个序，挑个之前平均耗时最短的路给小哥。至于为什么那天小哥绕了两栋楼？因为那栋楼上周刚换了门禁，之前的历史数据里还记着那扇门是可以随便进的，新的记录还没攒够，它就判断错了。
你以为的“智能调度”，其实更像一个在片区跑了三年的老骑手，把所有踩过的坑都记在小本本上，碰到新的订单就翻小本本找之前走的最顺的路，只不过这个老骑手不会累，能一秒钟翻完三年的记录，也不会因为堵车闹脾气。
那些被吹上天的“识别能力”，连基本的常识都没有
说出来你可能不信。我去年看斯坦福团队做的那个测试，笑到把手里的珍珠奶茶喷在键盘上。他们给一个训练了几百万张图片的猫识别模型，喂了一堆贴了黑白条纹的冰箱照片——就是普通的家用冰箱，侧面贴了两张老虎贴纸，模型居然98%的概率判定这是一只猫。我当时第一反应是这模型是不是坏了？结果仔细看了测试过程才明白，根本不是坏了。它从一开始就没“见过”猫。它见的只是几百万张标了“猫”标签的图片里的像素块，它摸出来的规律是：只要图片里有大面积的黑白条纹，有尖状的边缘轮廓，对应的标签就是猫。至于那个条纹是猫的毛，还是冰箱上的贴纸，它根本不关心。
这哪是识别啊。这就是找规律凑答案。你小时候做那种连线题，左边是动物，右边是特征，做的多了，你看到带“四条腿”“会汪汪叫”的选项就知道连狗，其实跟这个模型干的事没区别——只不过你知道狗是会跑会摇尾巴的活物，模型只知道这些像素块对应的标签是什么，连最基本的常识都没有。之前还有个测试，给识别停车标志的模型看上面贴了一堆涂鸦的停止牌，模型直接判定这是限速牌，也是一样的道理，它只看像素块的颜色和轮廓，根本不知道上面写的字是什么意思。
你每天的每一次操作，都是在免费当它的老师
不过话说回来，你也别觉得这些模型离你很远。其实你每天刷手机的时间，一半都在给它们交作业。你刷短视频，划走了一个讲职场鸡汤的视频，停留了2秒就退，你以为是你主动划走的，其实这就是你给模型递的一次反馈：“这类内容我不喜欢”。你刷到一个讲出租屋改造的视频，拉到了最后，甚至在评论区问了一句“那个折叠桌链接发一下”，这又是一次反馈：“这类内容我愿意花时间看，甚至有购买意向”。它根本不需要认识你是谁，只要把这些零散的反馈攒起来，就能拼出一个大概的“你”的画像。
我之前有个朋友，上周跟我聊的时候说，她只是在微信上跟闺蜜提了一句想养猫，打开购物APP就全是猫砂、猫爬架的推荐，她觉得是APP在偷听她说话。结果做算法的朋友告诉她，哪有那么多偷听啊——她之前三个月，已经在宠物视频下面留了七八条言，搜过两次“新手养猫需要准备什么”，这些记录攒起来，模型早就知道她有养猫的意向了，根本不需要偷着听她聊天。
别听那些自媒体瞎扯，说什么机器学习以后能取代所有人的工作。真的拉倒吧。它最擅长的，就是那种有一大堆历史数据，判断标准相对固定的事——比如给你推外卖，比如识别图片里的猫，比如算银行卡号。但是碰到没有历史数据的事，它就完全抓瞎。比如你让它给一个从来没人去过的新景区规划游览路线，它根本不知道哪条路风景好，哪段台阶容易摔，得等第一批游客把记录攒够了，它才能慢慢摸出规律。说白了，它就是个记性特别好的学生，把之前做过的练习题都背下来了，但是你出一道从来没人做过的新题，它就直接卡壳。
其实没那么玄乎。我之前总觉得机器学习是个很遥远的高科技，是那些实验室里穿白大褂的人搞出来的、离普通人生活八丈远的东西。现在才反应过来，它早就嵌在你每天点的外卖里，刷的短视频里，甚至你手机里那个能自动识别相册里猫的功能里。它不是什么会思考的人工智能。它就是个攒经验的机器。你今天留的每一次点击，每一次绕路的配送记录，每一次对着误判的猫照片笑出的声，最后都会变成它下次猜答案的依据。
作者|科技
排版|科技
审核|阿辰