番薯万能仙境马来西亚国， 只要外国有一个新的科技词汇，技术所及的话， 番薯国政府官员就会在一两年（如果难度更高的话， 3～5 年才提）后拿那个词汇来【丢人现眼】。
我说【丢人现眼】，不是故意贬低， 而是事实 ： 通常那些官员仙家说的东西，和科技技术含量的东西相差十万八千里， 反正就是【官大学问大】， 媒体被完全操纵下就根本不怕有人在媒体上笑话官员们。
在欧美媒体开始『重新』炒作人工智慧的当下， 其实真正有使用性质的，大都是人工智慧的分支，而不是真正的人工智慧本身。
机器学习(Machine learning) 这个词汇看起来很神奇，真相是真正的『学习』，其实是使用大量的数学函数来制定和归类数据的方法。
而这归类，首先是经过人工分类， 之后的新的数据， 就让电脑程序运用数学函数来用之前的数据来推演下去。虽然看起是电脑在学习，实在上是在不断的做数据推演。
拿银行来说，要考虑是否借贷给某些人群或是提高条件， 只是有普通历史数据是不足够的， 因为普通统计学的计算是局限于人手提供的框架。 比如说：一个人的银行户口支出的项目，借贷记录。 欧美更进一步的就是去看工作行业的风险。
至于用上机器学习，那么每一项顾客的数据都可以成为一个运算的特征。而这些特征又可以和其他交叉重叠来显示不同的关联。 不夸张的说法， 个人的工作地点，薪水的多少， 交通距离，住的地方， 甚至经过银做自动缴费的项目等等，全都可以成为机器学习需要的特征运算。
举个机器学习运算归类的例子（不是真实例子） ：
A行业的员工，薪水超过 3500 ～400，每个月的汽车贷款超过 800 元, 工作3 年的， 70% 的人都无法准时缴交每月 800～1000 的信用卡消费。 那么银行得出这个结论，就把符合上述特征的人房屋借贷条件提高，比如说风险低的行业可以借100 千， 那么这个行业的人只允许借 70千。 因为机器学习是不断做一定的关联运算， 比如说A行业如果设立在 B 城市，借贷的风险会减低50%， 那么银行也可以根据那调整。
可以说，机器学习的运算，除了利用你的个人资料和习惯，也把其他人的资料，习惯，还有趋势加进去归类运算。不是个人说了算的事。
在脸书上看见有人说法家教煮(没错）被举报后被脸书政治正确立刻封贴， 某法家猪队友说什么脸书外包举报选择给孟加拉印度什么的， 我就觉得好笑。
脸书内部很早就使用机器学习来归类脸书友的习性来卖广告。最近一年来，使用机器学习来决定如何应对举报来删贴，也不是什么新技术问题。真正要应付的根本不是什么孟加拉印度人员，而是机器学习的归类。
只要媒体上李开复说什么人工智慧。其实不需要发展全面的人工智慧，单是机器学习这个项目， 就可以让未来10 年内，让大量的金融业所谓的“精算人员” 失业。