小宇：闪客闪客，现在的 AI 好神奇呀，你问它一句话它就能理解并回答你的问题，就跟人一样。这是怎么实现的呀？闪客：这个问题可就复杂了，我可不能一句两句给你说明白。闪客：别别别，这样吧，你每天晚上来我这里一小时，我一个月给你讲明白，怎么样？小宇：那你现在先给我开个头吧，我看看你水平再决定来不来。闪客：行，那你搬个小板凳坐那吧，我们开始。
---
闪客：现在你先忘掉 AI，忘掉所有的什么 ChatGPT、大模型、深度学习、机器学习、神经网络这些概念。
闪客：啊这... 好吧，我们来一个场景。我想研究鸡的数量和腿的数量的关系，于是我列了一个表格。
鸡 腿
5 10
7 14
8 16
9 18
那我问你，假如鸡的数量是 10，那么腿的数量是多少？小宇：额，你是不是把我当傻帽呀，我不看你这表也知道，腿的数量就是鸡数量的 2 倍嘛，当然是 20 了！闪客：没错，你直接找到了鸡和腿数量之间的规律，是严格符合 y = 2x 的函数关系。假如世界上所有的事情都能找到其对应的严格的函数关系，那该多好，这就是早期机器学习符号主义的愿景。
画外音：机器学习的符号主义（Symbolic AI 或 Symbolic Machine Learning） 是人工智能（AI）领域的一种方法，主要基于符号和规则来表示知识和推理。这种方法与现代机器学习方法（例如深度学习）形成了鲜明对比，后者依赖于神经网络和大量数据的模式识别。符号主义在20世纪70-90年代被广泛应用，是人工智能早期的主要研究方向之一。 小宇：诶？这看起来非常科学严谨呀，为什么这样做不行呢？
闪客：如果能实现这个愿景固然是好的，但人们还是低估了这个世界的复杂程度。想想看，如果让你用一个函数来预测股票是涨还是跌，这可能吗？
小宇：总感觉理论上是可行的，但实际上应该做不到，不然我也不会在这学什么机器学习了哈哈。
闪客：是的，这种看似能够找到规律的事情都做不到，更别提人类智慧这种的复杂问题了。
小宇：哎，那这可怎么办呢？
闪客：别急，咱先别考虑那么远的问题，我先给你出一个比刚刚数鸡腿更复杂点的问题，你找找看下面 X 和 Y 的关系。
X Y
1 2.6
2 3.0
3 3.7
4 4.5
5 4.4
6 4.9
7 6.0
8 6.2
9 6.4
10 7.2
小宇：额，总感觉有点规律，但又不能一下子看出来，有点烧脑。
闪客：确实，不过我们把这些点画在坐标轴上，你再看看呢。
小宇：哇！这么看清晰了好多，不过还是不能一下子看出来什么。
闪客：那我再加一条线呢？
小宇：哎呀！这感觉已经找到规律了，大概就是 y = 0.5x + 2 嘛！闪客：没错，你居然直接把函数说出来了。
小宇：你图都画成这样了，我还说不出函数，那就太不应该了。不过我猜到你接下来要说什么了，就是如何找到这个函数对吧？
闪客：没错，直觉上，我们是想让这条线尽可能靠近所有点，但怎么用数学或计算机语言表达"靠得近"，就是个问题了。
小宇：emmm，好像不太容易想到，没想到这么简单直观的问题，要是用严肃的数学语言描述，还挺难的。
闪客：是的，我给你加几条线，你看看有没有启发。
小宇：啊！我明白了，可以用每个点到这条线的偏离距离的总和，来表示点与线的“贴合程度”，这个数越小越好。
闪客：没错！所以我们就可以定义如下的损失函数，来表示这条线和这些点的偏离程度，只要找到这个函数的最小值即可！
小宇：额，闪客，你这太不丝滑了呀，前面还一个公式都没有，怎么突然冒出来这么个东西。
闪客：哈哈，今天讲的内容已经足够多啦，剩下的就留到下节课再讲吧。我看也到饭点了，我们一起去吃个饭吧。
小宇：哦不了，最近积攒了好多综艺节目还没有看，我要回去看电视啦，下次见。
闪客：哦~
