Skip to main content

什么是机器学习（ML）

注意：本文档是英文原版的自动翻译。

什么是机器学习（ML）

**机器学习（ML）**是人工智能的一个子集，其中系统从数据中学习模式，而不是遵循手写的规则。可以把它想象成以示例教学：你不去写一份分步的食谱，而是给系统展示成千上万道做好的菜肴，让它自己琢磨出如何烹饪。与其由程序员把每一个决策都编码出来，不如向系统展示成千上万乃至数百万个示例，让它自行发现规则。

如今大多数实用 AI——从垃圾邮件过滤器和语音助手，到医学影像分析和大语言模型——都建立在机器学习之上。当一个加密项目宣称使用 AI 时，其底层技术几乎总是某种形式的 ML。

简而言之： ML 意味着从数据中学习。你不去告诉系统该做什么，而是给它示例，由它自己琢磨出模式。在加密人工智能中，项目卡片里的“机器学习”意味着该项目宣称的是数据驱动的学习，而非硬编码的逻辑。

机器学习如何工作

一个机器学习系统遵循一个通用循环。理解每一步对于评估一个项目的 ML 宣称是否真实至关重要——每一步都会产生可作为证据的可验证工件。

ML 生命周期

  1. 定义问题 —— 确定模型需要预测或分类什么。例如：“给定一笔区块链交易，判断它是否可疑。”清晰的问题陈述是评估 ML 宣称的第一个检查点。

  2. 收集数据 —— 收集与问题相关的数据集。这可能包括交易历史、钱包活动日志、文本文档或用户行为记录。数据可来自公开来源、专有数据库或链上记录。

  3. 准备并清洗数据 —— 原始数据很少能直接使用。这一步包括去除错误、处理缺失值、规范化格式，以及把数据划分为训练集、验证集和测试集。数据准备通常占用一个 ML 项目的大部分时间。

  4. 选择模型架构 —— 选取适合该任务的AI 模型类型：神经网络、决策树、支持向量机或集成方法。选择取决于数据类型、问题复杂度和可用算力。对文本而言，transformer 架构（GPT、BERT 以及 DeepSeek 等现代 LLM 的基础）占主导地位。对表格数据而言，梯度提升树（XGBoost、LightGBM）常常优于深度学习。

  5. 训练模型 —— 运行一个训练算法，调整模型的内部参数（权重），使其预测与训练数据中的已知结果相匹配。训练会在数据上多次迭代（称为 epoch），逐步缩小预测与现实之间的差距（由损失函数衡量）。

  6. 评估 —— 用留出的测试数据或基准测试来衡量训练好的模型，检查它是学到了真正的模式，还是仅仅记住了训练集（一个称为过拟合的问题）。常见指标包括用于分类的准确率、精确率、召回率和 F1 分数；用于回归的均方误差和 R 平方；用于语言模型的困惑度。

  7. 部署 —— 把模型投入生产，在新的、未见过的输入上执行推理。部署涉及搭建服务基础设施、管理延迟和处理边缘情况。

  8. 监控与重训练 —— 真实世界的数据会随时间变化（数据漂移）。一个在去年区块链交易模式上训练的模型，在当前交易上可能表现不佳。负责任的 ML 系统包含监控流水线，用于检测性能退化并触发在新鲜数据上的重训练。

一个实际示例

假设一个项目宣称其 ML 模型能检测可疑的钱包活动。一个可验证的实现会展示：

  • 数据：收集了哪些链上数据，以及它是如何被标注的（例如，被已知漏洞利用数据库标记的地址）
  • 模型：使用了什么架构（例如，基于交易特征的梯度提升分类器）
  • 指标：测得的检测率、假阳性率和方法（例如，“在一个限定时期的 10,000 笔留出交易上评估”）
  • 部署：模型如何提供实时预测（API 端点、延迟特性）
  • 更新：模型多久重训练一次，以及什么触发了重训练

如果一个项目对这些都不加描述，那么“ML”宣称就缺乏可验证的实质。

与加密人工智能相关的关键 ML 途径

机器学习不是单一技术——它是一族途径，每种都适合不同类型的问题。

途径 它如何学习 数据需求 加密示例
监督学习 从带标签的示例中学习 带标签的数据集 欺诈检测、骗局分类
无监督学习 在无标签下发现结构 无标签的数据集 钱包聚类、异常检测
强化学习 通过试错与奖励 环境 + 奖励信号 自动化智能体、协议优化
深度学习 多层神经网络 大型数据集 + 算力 LLM、图像生成、NLP
迁移学习 把预训练模型适配到新任务 小型任务特定数据集 为加密领域微调 LLM

监督学习

模型从带标签的数据中学习——每个示例都附有一个已知的正确答案。模型学习把输入映射到输出，并以它对新的、未见过的示例预测正确答案的能力来评估。

  • 如何工作：给定（输入，正确输出）的成对数据，算法调整模型参数以最小化预测误差。
  • 示例：在带标签的交易（欺诈/合法）上训练的分类器，用于标记骗局。每个训练示例是一笔带有特征（金额、发送方历史、合约交互）和一个标签的交易。
  • 常用工具：scikit-learn、XGBoost、LightGBM，以及 PyTorch 和 TensorFlow 等深度学习框架。
  • 优势：在有良好标签可用时准确率高。
  • 局限：需要带标签的数据，而这可能创建起来既昂贵又耗时。

无监督学习

模型在没有标签的情况下发现模式。没有人告诉它要找什么；它自行在数据中发现结构、聚类或异常。

  • 如何工作：算法基于统计属性把相似的数据点归为一组，或识别离群点。
  • 示例：按行为模式——交易频率、金额、与已知协议的交互——对钱包地址进行聚类，从而在没有先验标签的情况下识别出相关钱包的群组。
  • 常用工具：k-means 聚类、DBSCAN、主成分分析（PCA）、自编码器。
  • 优势：在标注不切实际或过于昂贵时有效。
  • 局限：结果需要人工解读；算法发现结构，但不解释这些聚类意味着什么。

强化学习（RL）

模型通过试错与奖励来学习。它在一个环境中采取行动并接收反馈（正或负）。随着时间推移，它学会能最大化累积奖励的策略。

  • 如何工作：一个智能体观察当前状态、采取一个行动、接收奖励或惩罚，并更新其策略。这个循环重复成千上万乃至数百万次。
  • 示例：一个自动化智能体，通过根据网络拥堵模式来安排交易时机，学会优化 gas 费用。
  • 里程碑：RL 驱动了 AlphaGo 等下棋系统。在加密领域，RL 出现在协议参数调优和基于智能体的策略中。
  • 优势：适合顺序决策问题，其中最优行动取决于长期后果。
  • 局限：需要一个明确定义的奖励信号和大量迭代；在训练过程中可能不稳定。

深度学习

ML 的一个子集，使用带有许多层的神经网络（因此称为“深度”）。深度学习驱动了大多数现代 AI 突破：图像识别、自然语言处理、生成式模型，以及大语言模型。

  • 如何工作：数据流经一层层的人工神经元，每一层提取越来越抽象的特征。一个卷积层可能检测边缘；更深的层把边缘组合成形状，再组合成物体。
  • 示例：一个在加密文档上微调的 transformer 模型（GPT、BERT 和 DeepSeek 背后的架构），用于从非结构化文本中提取结构化信息。
  • 关键架构：transformer（文本/序列）、卷积神经网络/CNN（图像）、循环神经网络/RNN（时间序列）。
  • 优势：擅长复杂、高维的数据（文本、图像、音频、序列）。
  • 局限：需要大型数据集、可观的算力和细致的调优。其性能比简单模型更难解读。

迁移学习

一种技术，其中一个在大型通用数据集上预训练的模型被适配到一个特定任务，使用更小的数据集。模型不从零开始训练，而是带着已经学到的知识起步。

  • 如何工作：拿一个像 BERT 这样的模型（在通用文本上预训练），在一个较小的加密白皮书数据集上对它进行微调，以对项目宣称进行分类。
  • 为何重要：迁移学习减少了新任务所需的数据和算力。许多加密人工智能项目使用现有模型的微调版本，而不是从零训练。

从经典 ML 到现代深度学习

理解 ML 的演进有助于评估项目宣称：

  • 经典 ML（1990s-2010s）：决策树、支持向量机、逻辑回归。这些在结构化（表格）数据上表现良好，并且在加密分析中仍常用于交易分类和风险打分。

  • 深度学习时代（2012 至今）：带有许多层的神经网络开始在复杂任务上超越经典方法。2017 年的 transformer 架构（《Attention Is All You Need》）重塑了这一领域。BERT（2018）和 GPT（2018 至今）把 transformer 带入了语言理解和生成。

  • 基础模型（2020s 至今）：在广泛数据上预训练、再为特定任务微调或提示的超大模型。GPT、Claude、Gemini 和 Mistral 都是广为人知的例子。这些模型让强大的 NLP 变得触手可及，但也让人很容易构建出声称“AI”、却几乎没有原创工作的薄包装。

当一个项目说“机器学习”时，值得追问：这是结构化数据上的经典 ML、对现有基础模型的微调，还是从零训练一个新模型？

ML 为何在 DecAIHub 中重要

当一张项目卡片把“机器学习”列为其 AI component 的一部分时，意味着该项目宣称使用一个从数据中学习、而非依赖静态规则的系统。这一区别之所以重要，是因为：

  • ML 意味着有一条训练流水线 —— 必然存在数据、一个训练过程和一个由此产生的模型。这些都是可验证的工件。
  • ML 意味着可度量的性能 —— 一个学习得到的模型可以被基准测试和比较。一套手工编码的规则无法以同样的方式被评估。
  • ML 意味着持续的维护 —— 随着数据分布的偏移，模型会随时间退化。一个使用 ML 的项目需要周期性地重训练和重评估。
  • ML 意味着算力需求 —— 训练和推理需要计算资源。去中心化的 ML 项目必须解释算力如何配置以及由谁承担成本。

DecAIHub 在评估“机器学习”是真实的还是只是营销标签时，会检查这些工件的 Tier-1 证据。AI reality 标志（AI_0 到 AI_4）直接映射到证据检查点：项目是否描述了它的 ML 组件（AI_1）？是否有可工作的演示（AI_2）？是否有公布的指标（AI_3）？是否有技术架构文档（AI_4）？

一个提及“机器学习”却不提供这些工件中任何一个的项目，会获得更低的 AI reality 标志，这通过 ai_score 上限机制限制了它的 DecAI Fit 评分。

ML 本身无法证明什么

  • 模型质量 —— 宣称使用 ML 并不意味着模型是准确的、稳健的或调校良好的。质量需要基准证据。
  • 数据质量 —— 模型的好坏取决于其训练数据。糟糕、有偏或不足的数据无论算法如何都会产生糟糕的结果。
  • 真正的学习 —— 有些项目把基于规则的系统或简单的启发式标为“ML”。参阅自动化与真实 AI component。
  • 专有优势 —— 在公开数据上用默认设置使用一个现成的 ML 库，并不构成有意义的 AI 深度。
  • 去中心化 —— ML 模型可以在完全中心化的基础设施上运行。一个项目使用 ML 这一事实，并不能说明其 AI 是否去中心化，或其区块链集成是否有意义。

请勿混淆

  • 人工智能 —— 更广阔的领域。ML 是 AI 的一个子集，而不是它的同义词。
  • AI 模型 —— 训练得到的工件。ML 是通过数据驱动的学习创建该工件的过程。
  • 深度学习 —— ML 的一个子集，使用多层神经网络。所有深度学习都是 ML，但并非所有 ML 都是深度学习。
  • 自动化 —— 执行预定义的规则。ML 从数据中学习自己的规则。参阅自动化与真实 AI component。
  • 统计学 —— ML 建立在统计学基础之上，但它超越了传统统计学，因为它聚焦于在新数据上的预测性能，而非解释历史数据。

常见问题

机器学习与传统编程有什么区别？

在传统编程中，开发者编写显式的规则：“如果交易金额超过某个阈值且发送方没有历史，就标记它。”在机器学习中，开发者提供带标签的示例，由算法自己发现规则。其结果是一个能够检测对手写规则而言过于微妙的模式的模型——但它需要高质量的训练数据和持续的评估。

机器学习需要大数据吗？

并非总是。深度学习模型（尤其是 LLM）需要大型数据集，但许多经典 ML 技术在数据量适中时也能有效工作。迁移学习通过从一个预训练模型起步，进一步降低了数据需求。关键因素是数据的质量和相关性，而不只是数量。一个小而精心整理、标注得当的数据集，可以胜过一个庞大而嘈杂的数据集。

监督学习与无监督学习有什么区别？

监督学习使用带标签的数据——每个示例都包含正确答案，模型学习去预测它。无监督学习处理无标签的数据，在没有被告知要找什么的情况下发现模式、聚类或异常。第三类，半监督学习，把少量带标签的数据与较大量的无标签数据相结合。选择取决于标签是否可用以及创建它们是否负担得起。

如何判断一个加密项目是否使用了真实的 ML？

寻找可验证的工件：一个有描述的数据集、一个有文档的模型架构、带方法的公布基准测试、一个公开演示，以及重训练的证据。DecAIHub 通过 AI reality 标志（AI_1 到 AI_4）和 Tier-1 证据核查来评估这些。一个说“ML 驱动”却不提供其中任何一项的项目，很可能只是把该术语当作营销使用。

深度学习与机器学习是一回事吗？

深度学习是机器学习的一个子集，而非同义词。ML 包括许多超出深度学习的技术：决策树、支持向量机、贝叶斯方法和集成方法。深度学习使用带有多层的神经网络来学习分层表示。它擅长复杂数据（文本、图像、音频），但更简单的 ML 方法在结构化、表格数据上常常胜过它。

另请参阅

外部参考

No comments to display

Back to top