机器学习是一个充满魅力且前沿的概念，几乎每天都会出现在科技媒体中，但也许很多人并不能真正理解它的含义。本文将从一个新的角度来解析机器学习的核心概念。

首先，我们需要了解两个关键术语： - 环境：本文中的环境指的是街道。 - 代理：代理是指一种应用，它能够感知环境并作出反应，例如在街道上驾驶时避免与其他车辆碰撞的软件系统，它通常包括各种传感器。

实际上，让代理执行任务的最简单方法就是直接告知其具体操作步骤。然而，对于机器来说，这种直接指导是无效的。你需要将人类的语言转换成一系列代码，尤其是要处理街道上可能出现的各种突发情况，如天气变化、行人、动物或自行车等。因此，可以说你不可能将所有可能的情况都编码进去。

假设有一个“物体”T在一个房间里。这个物体不是人，也不是动物，而是一个“物体”，简称为T。

T所知道的信息只有这一点： - 食物对我来说非常重要，我需要食物。

房间内除了食物外，还有洞穴和一瓶毒药，但T并不理解这些符号的意义。

一开始，T直接饮用了毒药并掉进了洞穴，最终死亡。当T再次复活时，它意识到以下两点： - 食物对我来说非常重要，我需要食物。 - 饮用毒药并掉入洞穴会导致痛苦的死亡。

尽管如此，T还是会再次尝试饮用毒药并避开洞穴，但仍然会死亡。经过几次尝试后，T最终明白： - 食物对我来说非常重要，我需要食物。 - 饮用毒药会导致死亡。 - 掉入洞穴会导致痛苦的死亡。

最后，T学会了避免饮用毒药和掉入洞穴，并成功找到了食物。

这实际上就是机器学习的过程。我们不需要教T具体的操作，只需要设定目标，然后让它多次尝试，最终就能学会。

接下来，让我们再次引入T的角色。这次，我们可以允许T做任何它想做的事情，比如饮用毒药。但在它尝试之前，我们可以警告它： - 不要！那是有毒的！

T可能会像孩子一样理解这一警告，或者仍然会尝试饮用毒药。随着我们不断警告T，它会逐渐明白：“哦，原来这是危险的东西。”

这种情况类似于人们对蜘蛛的恐惧。即使从未被蜘蛛咬过，多年来的警告也会影响人们内心对蜘蛛的看法。

当无人驾驶汽车在街道上遇到气球时，它可能会识别出气球并继续前进。然而，它并不知道气球后面可能隐藏着小孩。相比之下，人类驾驶员会减速以确保安全。通过训练，无人驾驶汽车可以做到： - 我不清楚为什么看到气球要减速，但既然人类告诉我这样做，那就照做吧。

从此以后，每当无人驾驶汽车看到气球时，都会自动减速。许多人认为这是机器智能的表现，但实际上，机器并不理解其中的原因。它们只是通过大量数据和训练得出结论：过去两个月在加州公路上出现过数万个气球，大多数人类司机都会减速，所以跟随人类的行为是合理的。

当然，机器学习的应用不仅限于无人驾驶汽车。很快，许多与人类生活息息相关的软件工具都将具备机器学习的能力。

本文由机器之心出品，作者为赵赛坡。关注微信公众号“机器之心”（Almosthuman2014），或访问机器之心网站www.almosthuman.cn，了解更多关于机器学习的知识。