其实机器学习的应用和研究无非就围绕着这几个问题来展开讨论：

如何定义一个机器学习问题？什么场景下使用什么算法？深度学习是否是银弹？如何解释整个深度学习的黑盒？优化模型的关键是什么？如何避免过拟合和欠拟合？深度学习框架到底优化了些什么？

机器学习对于我们学校物理系的老师来讲，只是为了计算恒星质量，而他们的理解也只局限于如何定义一个机器学习的问题而已；而软件工程师聚焦的问题是，什么场景下机器学习的落地，以及如何优化模型， 如何将机器学习进行工程化；计算机科学家通常聚焦于研究新的机器学习算法。

很多高校目前也开设了人工智能专业，而所传授的东西，通常以调包为主，因为其他专业的老师迫切希望自己的项目能够引入深度学习 / 人工智能的技术，而这些人通常以“能够落地就算成功”为目的，所以他们的学生最后培养成的是初级的软件工程师，而不是计算机科学家。

我们先谈谈什么是算法。算法本质上是一个 f(x)，既给定一个输入，那么必会给到一个输出，而算法与人智的区别重点撕裂于这个 “必”，因为人是混乱的，而现在的劳动异化正是源于 leader 误认为人可以是这个 f(x)，既完全的将人智装置化，唯一化，数学家与工程师也是如此，他们误认为所有人，或者说所有的算法一定可以解决各种问题，他们只认可自己的单一输入 x，而作为算法和人的 f 是可以随意替换的，所以他们试图用这种方式去创造一个输出，这就是他们的思维模式，而他们也会有时误认为这是一种所谓的 “理性” 思维。

这一点对于机器学习也一样，机器学习本质上只是算法的元编程模式，并试图作为人智与算法之间的桥梁。