桑德伯格曾说：如果有机会坐上火箭，就不要在意坐哪个位置。是的，一个人再努力，努力不过趋势。站在时间源头附近才能感知时代的脉动。我听到了 VC、产业界吹捧的人工智能，亦有粮草先行的中国脑计划。在毕业致谢中写道，花三年时间研修一个社会大学硕士学位，专业选了现在入门的「深度学习」。

刚开始接触这个方向，完全没有概念，只知道人工智能这四个词怎么写，剩下的机器学习、CV、深度学习，那是什么。有趣的是，我连人工智能的四种写法都不知道，不自量力的投了 50 多份算法工程师岗位，结果可想而知。现在在一家 AI 和脑认知科学交叉的黑科技公司，靠着「情境学习」，每天和公司的算法工程师取经，学习到了很多黑话，像极了雾里看花的参悟。

学习科学大量研究表明，成人最佳学习方式并非独自练习，而是在情境中学习。尤其学习相关的隐形知识。有效学习是进入相关情景，找到自己的「学习共同体」，然后学习者刚开始围绕重要成员转，做一些外围的工作，随着技能增长，进入学习共同体圈子的核心，逐步做更重要的工作，最终成为专家。

读完《终极算法》这本书，作者将机器学习分为不同的流派。

机器学习 5 个学派：

• 符号学派将学习看作逆向演绎，并从哲学、心理学、逻辑学中寻求洞见；
• 联结学派对大脑进行逆向分析，灵感来源于神经科学和物理学；
• 进化学派在计算机上模拟进化，并利用遗传学和进化生物学知识；
• 贝叶斯学派认为学习是一种概率推理形式，理论根基在于统计学；
• 类推学派通过对相似性判断的外推来进行学习，并受心理学和数学最优化的影响。

不同流派的主算法：

• 符号学派主算法：逆向演绎；
• 联结学派主算法：反向传播；
• 进化学派主算法：遗传编程；
• 贝叶斯学派主算法：贝叶斯推理；
• 类推学派：支持向量机。

读后以为对机器学习有了一个最小的全局认识，这不和人格的那些流派异曲同工吗，感觉自己入门有望了。和同事验证，同事说 AI 里没有这种说法，都是效果导向，谁的结果准确就用谁的。现在的神经网络就是准确率和泛化性能很好，被大家各种应用。

细细想来，说的也对。人工智能是应用性很强的产业，燃料是 label、data、超参、模型，迭代转化率。好吧，还是要扑到大花书上。

ChangeLog

• 191028 ZAPP 创建初稿，部分不成形想法。