人要作出一个判断往往都是根据过往的经验和认知来决定的。

那么机器是什么做的呢？

对于普通计算机算法而言，算法作出一个判断是通过程序语言来实现的。

这里用if，else语句举个简单的例子（为了简单明了，判断条件和输出都没用严格的程序语言，勿杠）。

if（读者x投了推荐票）：

读者x长得很帅

else：

读者x长得一般

对于普通计算机算法而言，通过上面的判断语句，它就知道投了推荐票的读者才是长得帅的。

但若是程序员有一天发现，某些投了推荐票的读者好像也长得挺一般啊，于是他优化了算法，将判断条件改成了（读者x投了推荐票and读者x投了月票）。

这时候对于算法来说，只有同时投了推荐票和月票的读者才是长得帅的。

后来，程序员会发现，不管自己怎么加判断条件，似乎总有那么一两个读者会跳出来推翻他的结论，他要手动制定规则让计算机精准识别长得帅的读者非常困难。

这时候，就需要用到机器学习算法了。

那么机器学习算法是怎么做的呢？

我们只需要随机挑选一定数量的读者（机器学习领域叫做训练数据），制成一个表格，表格里记录上这些读者的一些属性，如是否投过推荐票、是否投过月票、是否留过评论、是否点过赞、是否打赏过等等（机器学习领域叫做特征），在最后一列记录下结论，即帅还是不帅（机器学习领域叫做标签）。

将这样一个训练数据提供给机器学习算法，训练结束之后，它会学习出一个关于读者的特征和该读者是否帅之间关系的模型。

此时再让它来判断一个新读者是否帅，他便会根据这个训练模型给出一个该读者帅的概率和不帅的概率。

显而易见，只要给机器学习的训练数据量越大，那么其学习后得出正确结论的概率也越高。

正因如此，机器学习才被广泛运用到很多工作场景之中，比如道路摄像头拍照后直接识别驾驶员当前驾驶状态是正常驾驶、抽烟、打电话、单手握方向盘、和乘客聊天还是在做其他事。

如此强大的学习能力再结合上同样先进的人工智能技术，人们会担心所谓的智械危机也就不足为怪了。

但这篇论文所提到的机器学习和顾枫基于前世认知所了解到的机器学习又有比较大的区别。

基于该世界更为先进的人工智能技术和数字生命技术，机器学习可以直接做到语言教导和行为教导。

这就和父母教导孩子什么是猪，怎么写字是一个道理。

其实本质上这个过程又回归到最原始的算法，即程序员通过算法让计算机做一些事。