如果你爬过山，怎会不了解机器学习？

在人工智能蓬勃发展的今天，想了解它的原理似乎不是一件容易的事儿。其实它的核心问题仍然是数学，而且并不复杂，会比你想象的简单得多。如果你登过山（在山间迷路更佳），那么你就能理解它的底层策略。
撰文 | 乔丹·艾伦伯格（Jordan Ellenberg）
翻译 | 胡小锐、钟毅
我的朋友梅瑞迪斯·布鲁萨德（Meredith Broussard）是纽约大学的一位教授，她的专业研究领域是机器学习及其社会影响。不久前，她接受了一项任务：用大约两分钟的时间在电视上向全美观众解释人工智能的定义及其工作原理。
她向采访她的主持人解释说，人工智能不是杀手机器人，也不是智力让人类相形见绌但没有感情的人形机器人。她告诉主持人：“我们只需要记住一点，它的基本原理就是数学，没什么可怕的！”
主持人痛苦的表情暗示了，他们宁愿谈论杀手机器人。
但梅瑞迪斯的回答一语中的。既然我不用遵守两分钟的时间限制，就让我接过这项任务，解释一下机器学习的数学原理吧，因为这个“伟大的创意”比你想象的要简单。
机器学习如登山
假设你不是一台机器，而是一名登山者，正在努力地往山顶爬。但你没带地图，四周又都是树木和灌木丛，也没有什么有利位置能让你看到更广阔的风景。那么，你该如何登顶呢？
有一种策略是，评估你脚下的地面坡度。当你往北走的时候，地面坡度可能会略微上升，当你往南走的时候，地面坡度可能会略微下降。当你转向东北方时，你发现那里有一个更陡峭的上坡。你在一个小圈里走来走去，勘察了你可能前往的所有方向，并发现其中一个方向的上坡是最陡峭的，于是你朝那个方向走了几步。然后，你再画一个圈，并从你可能前往的所有方向中选出最陡峭的上坡，以此类推。
现在，你知道机器学习的工作原理了吧！
好吧，也许还不止这些，但这个叫作“梯度下降法”（Gradient descent）的概念是机器学习的核心。它其实是一种试错法：你尝试一堆可能的行动方案，然后从中选出最有助于你摆脱困境的那个。与某个方向相关的“梯度”是一个数学概念，它是指“当你朝那个方向走一小步时，高度会发生多大的变化”，也就是你走的那条路的地面坡度。梯度下降法是一种算法，它利用数学语言制定了“一条明确的规则，告诉你在你可能遇到的各种情况下应该怎么做”。