前文介绍了人工智能（AI
）的“
能”
与“
不能”
（https://blog.csdn.net/foreseerwang/article/details/80531756
），这里继续介绍一些学习和应用AI
过程中的感想和心得。
个人理解，AI
的应用目的是捕捉大量繁杂干扰下的数据中的规律。暂时不考虑数据是否“
大量”
的问题，这里还有两个关键词：干扰、规律。干扰是不需要的、随机化的影响因素；规律则是希望捕捉的影响因素带来的结果。通常来说，干扰和规律是很难区分的，否则直接剔除干扰只剩规律岂不美哉，数据训练时也就不会有“过拟合”的问题了。
在应用AI
解决实际问题时一定要想清楚这两个关键词，想清楚哪些是影响需要的规律的因素，哪些是干扰因素。在规律方面，一是千万不要想着去解决没有规律的问题，譬如彩票这种真随机事件（当然，中国彩票可能要归为影响因素不可知的问题）；二是要把可能的影响因素都考虑进来，这个在后面还会详细介绍。在干扰方面，要说的是，如果没有繁杂干扰，建议优先考虑确定性方法，而不是AI
，确定性方法比AI
这种本质是函数拟合的技术更为简单快捷，不要为了AI
而AI
。
基于这两个关键词，对应到无线通信领域，无线传播和应用层这两大方面可能更适合使用AI
技术分析和解决；而中间的各层协议可能更适合使用确定性方法。
现在来考虑影响因素的问题。毫无疑问，如果希望准确捕捉规律，当然需要把所有影响因素都考虑进去，然后针对这样一个封闭的问题，依靠AI
强大的函数拟合能力把规律捕捉出来。但是，愿望是美好的，现实是残酷的。在实际工作中，很难准确圈定出所有的影响因素，即使圈定出来了，还可能存在无法获取定量数据的困难。那该如何处理呢？首先，经过充分分析之后，需要了解并考虑最主要的那些影响因素。如果这些因素没能完全纳入进来，放弃不失为一种好的选择；如果仍然不得不要解决这个问题，那就要想清楚，这种情况下AI
模型的局限性，及其对应的使用场景。在一些重要因素未能考虑的情况下，过分强调模型的强大可能会被光速打脸。
针对个人工作内容——无线蜂窝通信来说，寻找合适的、封闭的问题就极为重要。例如，现在业内很多同行关注的无线参数智能优化问题，可能就很难封闭：各个小区之间互相耦合、互相影响，大量需要配置的参数无法简单隔离。首先从单小区参数或明确涉及少量小区的参数入手，可能才是明智之举。此外，如果是涉及空口传输的问题，地理环境和用户分布通常也是影响规律是否准确的重要因素，需要考虑进来。
再举个例子，人们从来没有停止过应用AI
预测股市的探索。对于中国股市，从来都不只是一个金融问题。若想把握股市大势，可能还需要考虑政策因素、情绪问题。这就意味着，起码需要把每天的几大日报进行深度分析，提取政策的细微变化趋势；及时掌握网上舆论情况，把握民众情绪情况。如此等等。如果不做大势，只做短期微观分析是否可行？当然是可行的，现实中已经有大量此类算法和工具。但是，在应用中可能需要注意两点：一是基于训练数据获得的规律是否适用于预测未来数据？如果模型中未能考虑的影响因素发生了变化，那规律可能也会发生变化。一些模型回测表现很好、实操欠佳可能就是这个原因；二是，即使模型在一段时间内运行良好，也要保持警惕，做好止损。系统是开放的，可能很长时间没有之前未能考虑的影响输入，但某个突发因素或某种大环境的变化就会导致规律发生变化，进而产生不可控的亏损。
最后想说的观点是，干扰因素的存在以及AI
的函数拟合特点决定了它是一种近似方法，追求的是一种统计和概率上的准确，而不是处处精准。训练数据处处精准其实是“
过拟合”
的表现。这就意味着，作为统计中的个体，可能还达不到大数统计的程度，它的预测很可能是存在偏差的。这种偏差并不是不准确，而是干扰因素影响的结果，更是一种概率分布的必然结果。当然，强调这个观点并不是说就要忽视个体。考虑先验的贝叶斯学习、迁移学习等等都是可能提升个体预测准确度的尝试。
基于这个观点，要对AI
的作用有正确的预期。例如，自适应学习是目前教育领域炙手可热的方向。AI
技术的应用当然可以从总体上把握学情、提升学习效果；但是，具体到每个学生的情况，可能偏差会很大。还有一些购物网站的智能推荐，用户个体有时会觉得推荐的商品不够相关，甚至逻辑有些可笑。这完全可以理解，单个用户的数据量太少而干扰因素太多，不太可能高度拟合准确。但从网站总体来说，考虑的是用户总体的推荐匹配度（比例或概率），哪怕只带来一或数个百分点的交易金额提升，都是非常可观的成果。
总结一下，在应用AI
解决实际问题时，一定要对问题本身有清醒、准确的分析和认识，而不是上来就套用模型。虽然有AI
先驱提出深度学习不做人工特征提取便可解决所有问题。但很显然这句话有明显的夸张成分，而且他们所拥有的资源也不是普通用户在实际工作中所能想象的。必要的问题分析和预处理可能使工作事半功倍。
最后，其实个人更喜欢用“
机器学习”
而不是“
人工智能”
这个名词。