第三幕 / 机器开始从经验中学习
不必全懂，也能作出有用判断
机器开始从数据中估计可能性，智能悄悄进入搜索、邮件和推荐。
本篇目录 ＋
一封邮件来到收件箱。它没有写“我是垃圾邮件”，却可能包含一些值得警惕的词、链接或格式。机器怎样判断它该去哪里？
从永远正确，到处理不确定
不断添加拦截规则是一种办法，但发送者会换词、换写法。另一条路线是让系统参考已经标注的邮件，学习哪些特征更常与垃圾邮件一起出现，再综合证据作出判断。
统计学习不要求每次判断都成为一道严密的逻辑证明。它关心数据、概率与误差。朱迪亚·珀尔等人的研究，让研究者能够更系统地表达不确定信息与变量之间的关系。[1][2]
棋盘上的胜利，生活里的工具
1997年，IBM深蓝在六局比赛中以3.5比2.5战胜国际象棋世界冠军加里·卡斯帕罗夫。这次没有藏在木柜里替机器走棋的人；系统依靠专用搜索、评估方法与硬件工程。
深蓝并不是今天的大语言模型。它展示了特定任务上的强大能力，也提醒我们：一项世界冠军级的表现，并不自动覆盖一个普通人的全部生活能力。[3]
AI不总是以机器人的样子出现
随着互联网发展，搜索、推荐、语音识别等应用积累了更多数据。机器学习的价值常体现为一次更准确的排序、更好的识别或更少的误判，而不一定是一场轰动的比赛。
这类应用也带来新的问题：训练样本是否代表真正的使用者？错误对不同人有什么影响？过去数据里的规律，在环境变化以后是否还成立？有用的预测需要持续评估。[2]
留给你的一个问题
垃圾邮件漏拦与正常邮件被误拦，哪一种错误更让你在意？
相关性与因果性
一些特征一起出现，可以帮助预测，但未必说明其中一个导致另一个。例如，雨伞与湿地面经常同时出现，并不意味着雨伞把地面弄湿。
当问题从“接下来可能发生什么”变为“我采取这个行动，会改变什么”时，就需要额外的因果假设与证据。
本篇来源
沿着原始资料，继续了解故事。团队发布与回顾代表发布者提供的记录。
- 研究论文与原著 · Judea PearlProbabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference ↗
- 机构史料 · Stanford AI100Appendix I: A Short History of AI ↗
- 机构史料 · IBMDeep Blue ↗
整理于2026年9月16日