前文介紹了人工智能（AI）的“能”與“不能”（https://blog.csdn.net/foreseerwang/article/details/80531756），這裏繼續介紹一些學習和應用AI過程中的感想和心得。
個人理解，AI的應用目的是捕捉大量繁雜干擾下的數據中的規律。暫時不考慮數據是否“大量”的問題，這裏還有兩個關鍵詞：干擾、規律。干擾是不需要的、隨機化的影響因素；規律則是希望捕捉的影響因素帶來的結果。通常來說，干擾和規律是很難區分的，否則直接剔除干擾只剩規律豈不美哉，數據訓練時也就不會有“過擬合”的問題了。
在應用AI解決實際問題時一定要想清楚這兩個關鍵詞，想清楚哪些是影響需要的規律的因素，哪些是干擾因素。在規律方面，一是千萬不要想着去解決沒有規律的問題，譬如彩票這種真隨機事件（當然，中國彩票可能要歸爲影響因素不可知的問題）；二是要把可能的影響因素都考慮進來，這個在後面還會詳細介紹。在干擾方面，要說的是，如果沒有繁雜干擾，建議優先考慮確定性方法，而不是AI，確定性方法比AI這種本質是函數擬合的技術更爲簡單快捷，不要爲了AI而AI。
基於這兩個關鍵詞，對應到無線通信領域，無線傳播和應用層這兩大方面可能更適合使用AI技術分析和解決；而中間的各層協議可能更適合使用確定性方法。
現在來考慮影響因素的問題。毫無疑問，如果希望準確捕捉規律，當然需要把所有影響因素都考慮進去，然後針對這樣一個封閉的問題，依靠AI強大的函數擬合能力把規律捕捉出來。但是，願望是美好的，現實是殘酷的。在實際工作中，很難準確圈定出所有的影響因素，即使圈定出來了，還可能存在無法獲取定量數據的困難。那該如何處理呢？首先，經過充分分析之後，需要了解並考慮最主要的那些影響因素。如果這些因素沒能完全納入進來，放棄不失爲一種好的選擇；如果仍然不得不要解決這個問題，那就要想清楚，這種情況下AI模型的侷限性，及其對應的使用場景。在一些重要因素未能考慮的情況下，過分強調模型的強大可能會被光速打臉。
針對個人工作內容——無線蜂窩通信來說，尋找合適的、封閉的問題就極爲重要。例如，現在業內很多同行關注的無線參數智能優化問題，可能就很難封閉：各個小區之間互相耦合、互相影響，大量需要配置的參數無法簡單隔離。首先從單小區參數或明確涉及少量小區的參數入手，可能纔是明智之舉。此外，如果是涉及空口傳輸的問題，地理環境和用戶分佈通常也是影響規律是否準確的重要因素，需要考慮進來。
再舉個例子，人們從來沒有停止過應用AI預測股市的探索。對於中國股市，從來都不只是一個金融問題。若想把握股市大勢，可能還需要考慮政策因素、情緒問題。這就意味着，起碼需要把每天的幾大日報進行深度分析，提取政策的細微變化趨勢；及時掌握網上輿論情況，把握民衆情緒情況。如此等等。如果不做大勢，只做短期微觀分析是否可行？當然是可行的，現實中已經有大量此類算法和工具。但是，在應用中可能需要注意兩點：一是基於訓練數據獲得的規律是否適用於預測未來數據？如果模型中未能考慮的影響因素髮生了變化，那規律可能也會發生變化。一些模型回測表現很好、實操欠佳可能就是這個原因；二是，即使模型在一段時間內運行良好，也要保持警惕，做好止損。系統是開放的，可能很長時間沒有之前未能考慮的影響輸入，但某個突發因素或某種大環境的變化就會導致規律發生變化，進而產生不可控的虧損。
最後想說的觀點是，干擾因素的存在以及AI的函數擬合特點決定了它是一種近似方法，追求的是一種統計和概率上的準確，而不是處處精準。訓練數據處處精準其實是“過擬合”的表現。這就意味着，作爲統計中的個體，可能還達不到大數統計的程度，它的預測很可能是存在偏差的。這種偏差並不是不準確，而是干擾因素影響的結果，更是一種概率分佈的必然結果。當然，強調這個觀點並不是說就要忽視個體。考慮先驗的貝葉斯學習、遷移學習等等都是可能提升個體預測準確度的嘗試。
基於這個觀點，要對AI的作用有正確的預期。例如，自適應學習是目前教育領域炙手可熱的方向。AI技術的應用當然可以從總體上把握學情、提升學習效果；但是，具體到每個學生的情況，可能偏差會很大。還有一些購物網站的智能推薦，用戶個體有時會覺得推薦的商品不夠相關，甚至邏輯有些可笑。這完全可以理解，單個用戶的數據量太少而干擾因素太多，不太可能高度擬合準確。但從網站總體來說，考慮的是用戶總體的推薦匹配度（比例或概率），哪怕只帶來一或數個百分點的交易金額提升，都是非常可觀的成果。
總結一下，在應用AI解決實際問題時，一定要對問題本身有清醒、準確的分析和認識，而不是上來就套用模型。雖然有AI先驅提出深度學習不做人工特徵提取便可解決所有問題。但很顯然這句話有明顯的誇張成分，而且他們所擁有的資源也不是普通用戶在實際工作中所能想象的。必要的問題分析和預處理可能使工作事半功倍。
最後，其實個人更喜歡用“機器學習”而不是“人工智能”這個名詞。