王海华 博文视点Broadview
“某某大语言模型又出新版本了！”“大语言模型又刷新了某项纪录”“AI已经可以在某某方面替代90%的人工了”…
每天看新闻，必有对大语言模型的热议，我们普通人看这些AI的表现，就跟看奥运会哪个运动员又打破了某项纪录一样“看热闹”。
确实，进入 2022 年之后，从 OpenAI 的 ChatGPT，到 Google 的 Gemini，再到国内的文心一言、DeepSeek 等等，大模型的能力惊艳世界。从代码生成、文案写作，到数据分析和语言翻译，它们几乎无所不能。
输入一句话，它便能完成你写报告、编代码、答题，甚至绘图、作曲、制作视频。
在强大的力量面前，我们“弱小 ”“无助”，甚至想要放弃：既然大模型都能帮我完成任务了，那我还学什么编程？学什么机器学习？
现在还有必要学“机器学习”么？
类似的问题还有很多，对于我而言，这关系到我的数学建模和数据分析课要讲哪些内容，精简到什么程度。
我这两天在思考这个问题：，本文是对我思考的一些整理。
一、大模型之强，离不开机器学习
大语言模型的确很强，而且正变得越来越强。它们之所以厉害，背后是大量机器学习技术的积累和突破：基于 Transformer 结构的深度神经网络能够处理超长文本序列，大规模无监督预训练让模型具备了丰富的常识知识，指令微调（Instruction Tuning）与人类反馈优化（RLHF）让模型更加“听话”，多模态融合则让文字、图像、音频乃至视频能够相互“看得懂”。
可以说，今天的大模型是过去二十年机器学习技术逐步积累、爆发的集大成者。
然而，正因为如此，我们才不能“因果倒置”：正是因为机器学习，我们才有了大模型；而不是因为有了大模型，机器学习就不重要了。
二、大模型是“通用”，机器学习是“定制”
大语言模型往往需要大量数据来训练，而且在一些特定领域或者极其专业的场景下，未必有足够的“高质量训练语料” 让大模型实现完美表现。
我感触很深的一点是：当我们面对数据较小或结构性很强的项目需求时，传统的机器学习方法（比如决策树、SVM、随机森林等）以及精心设计的特征工程，依旧具有高效且稳定的优势。
另外在很多工业场景或科研任务中，如果我们的目标更侧重于可解释性、鲁棒性或资源受限（算力、存储空间）的条件，那么相对“轻量化”的传统机器学习方法就会显得不可替代。这时候，机器学习的“定制能力”就显得尤为重要。
再者，掌握机器学习基本原理后，我们才能在适合的场景下自如地选择或研发新的模型，而不是仅仅把一切都交给一个体型庞大、算力消耗巨大的大模型。
三、不懂机器学习，用不好大模型
大模型很强，但并不代表可以“一招鲜，吃遍天”。如果我们不了解机器学习的底层原理、数据处理流程和评估方法，往往只能把大模型当作一个“黑盒”来使用，无法识别它的局限，甚至可能被它给出的结果误导。
例如，大模型在面对结构化数据分析或特定工业场景时，可能需要进行“提示词工程”（，或者结合领域知识对模型输出进行校正。若缺乏对数据特征、算法机理的理解，用户就难以判断哪些场合适合大模型直接应用，哪些场合更需要混合传统机器学习算法。
对大模型进行微调（Fine-tuning），或者与其他小模型做协同配合，更是需要扎实的机器学习基础：如何选取合适的数据？如何避免过拟合或训练不稳定？如何评估模型性能并不断迭代？
因此，机器学习不仅能帮我们理解大模型“为什么能”，也能帮我们发现大模型“为什么不能”，从而在实战中发挥大模型的最大价值。
四、机器学习依然是“数学 + 编程 + 思维”的极佳训练场
机器学习的学习与实践过程，本质上就是对数学基础、编程技能和问题分析思维的一次综合训练。它既需要我们掌握线性代数、概率论、统计学等数学理论，也需要具备编程实现、数据预处理、算法调参的实际动手能力，更需要在面对复杂问题时具备抽象与推理的思考方式。而这一切并不会因为大模型的出现而变得不再重要，反而显得更加紧迫和宝贵。
数学： 机器学习的各种算法与模型，都依赖扎实的数学理论来保证可解释性与稳定性。无论是线性回归的矩阵求解，还是深度学习的梯度下降原理，都离不开对数学的理解。会用大模型只是“能走路”，懂数学才能“看清路”。
编程： 机器学习中对数据处理、模型搭建、训练与部署的各个环节，都需要编程来实现和衔接。哪怕使用大模型进行辅助开发，也得懂基础编程，才能对生成的代码进行验证、调试和改进。
数据思维： 机器学习中最核心的，是如何面对一堆原始数据或一个模糊的需求时，能够抽象出问题，并将其转化为可分析、可求解的模型。这需要我们具备把混乱的现实结构化、把直觉的想法量化，并用系统性的实验设计和评估方法来验证的能力。这个思维过程无法由大模型直接“给予”，只能通过自身学习和反复实践来培养。
对于学习者来说，机器学习或许不再需要在某些“基础实现”上投入大量时间，但它依旧是最好的“数学 + 编程 + 思维”训练场。只有把这些底层能力打牢，才能在大模型时代游刃有余地选择、改造或创造新工具，而非被工具所左右。
我这里推荐一本图解机器学习的书，也是这本书的阅读直接引发了我对本文的思考《StatQuest图解机器学习》。

我给大家截个图，实际上它每页都是这样的图解，推荐给机器学习初学者：

就像懂车的人开自动驾驶汽车更放心，懂机器学习的人和大模型“协作”时才能充分发挥其潜力。