1.引言
入门机器学习或从事其相关工作前，不知道你思考过如下2个问题吗：
- 1) 机器学习是万能的吗？
- 2) 工业界要想尽可能落地机器学习，需要满足哪些先决条件？
这段时间，有幸聆听了几场大牛报告，一位是第四范式，目前工业界应用AI经验最丰富的之一，曾经在百度与吴恩达共同推进AI在工业界的落地；另一位来自学术界，新加坡国立大学的，最近刚拿到两个项目，合计一共1.5亿人民币。听智者说，强于读万卷书！今天结合他们的报告，在这里总结与大家一起分享，他们的报告实际上完美地解决了以上两个问题。
2.机器学习是万能的吗？
机器学习包括深度学习吗？当然。机器学习是当前最火的人工智能领域的主要子领域之一，它真的是一项革命性的技术创造，记得曾有人说，AI的兴起可以把之前所有的问题再重新研究一遍，足以可见它巨大的创造力，有可能颠覆某项领域的现有技术 ……
那么，人们不禁会问机器学习可以解决一切问题吗，如果是这样，所有国家的科学家去深入研究AI理论，工业界的大牛去将这些理论落地，一场革命诞生。
真的是这样吗？下面引用新加坡国立的这位教授举的例子来说明这个问题。
电商行业仓库选址是一个很重要的问题，设计良好的选址方案，可以为公司节省亿级的物流成本。为了使用机器学习的技术，先从全国各地选取建仓的数据，模型考虑了几百个特征(包括时间刻画等多个维度)，是一个有监督学习任务，训练好模型后，再输入要预测的建仓地区的相关数据到模型中，最后决策一个得分最高的建仓位置。
就在建仓1个月后，当地政府决定重新优化当地的路网系统，施工开始不久，建仓的物流成本每日剧增，公司不得不决定重新再在当地其他位置选址建仓。等再拿原来的模型预测选址方案时，发现缺少大量的最新路网下的交通数据，模型变为无米之炊，机器学习模型此时无能为力。
后来，新加坡政府找到了国立大学的这位教授，他们团队擅长做仿真优化，模型不是基于历史数据去做预测，所以，很快他们拿仿真系统预测出选址的方案，然后建仓地址根据仿真结果投入建设，很快物流成本降低。
由此可见，机器学习模型是基于已发生的数据做出的预测模型，一旦出现某些异常情况，导致数据不再遵循原来的规律时，预测就会变得不准确，并且因为缺失最新状况下的数据，最后只能辅助于仿真优化方法解决问题。
机器学习是基于过去的预测，仿真是基于未来的预测。
机器学习和仿真优化结合才是解决问题的最全面方法论。
3. 机器学习落地，先决条件有哪些？
第四范式工业界应用AI落地的大牛，总结了以下几个主要因素：
1)问题的定义、边界要明确清晰。AlphaGo做的是围棋游戏，游戏是在 19×19 的棋盘上，黑、白两方轮流下子。这个问题可以说是定义得非常封闭清晰了，但是，如果变成一个开放的问题，变成 29×29 的棋盘，变成黑、白、灰三方下棋，都会导致AlphaGo模型的立即失效。
同样，以上选址模型是在基于已有路网不变情况下预测才会准确，一旦突发环境改变导致模型预测失效。
第二，计算资源。近些年算法虽然有很大的进步，但计算资源也是产生智能的关键。最近业界在分布式计算上的成功，让我们相对于几十年前有了飞跃的基础。Google Adwords的模型仅仅特征数就达到万亿级，如果所有列的类型定义为float，光存储这些特征列就得1T，再连上海量的数据，想想就头大，没有大量的分布式集群的强大计算能力，算法就是个空壳。
计算资源和分布式技术，才是AI真正落地的有一个关键。
第三，顶尖的科学家。这些科学家分两类：数据科学家和人工智能科学家。正是这些科学家帮助推进AI，创造新的理论和算法。
数据科学家关乎数据和特征工程，人工智能科学家关乎AI算法。
第四，大数据。AlphaGo 的成功考得是 KGS 上有数十万盘高手对战的棋谱数据，没有这些数据 AlphaGo 绝对不可能这么短的时间内打败人类。
机器学习 = 数据 特征 模型
第五，外部反馈。算法要不断的有外部输入，知道我们在什么样的情况、算法做出什么样的行为下，外部给出的反馈是什么，这样才能促进提高，比方说需要 AlphaGo 不断地进行对弈，并且告诉它对弈的输赢。
这些要素总结起来只有三点
1) 技术，计算资源，大数据，算法支持； 2) 业务，边界要清晰，业务有反馈； 3) 人，科学家，相关熟悉业务的人。
所以如果一个 AI 要成功的话总结起来三点，要关注技术、要关注业务、要关注人。
4. 总结
机器学习基于历史数据且未来符合过去的假定下才可能准确的技术，要落地靠技术，业务，和人。
