本文围绕机器学习（ML）的基本概念展开，澄清其与AI、深度学习、神经网络的差异，并介绍其核心特征。
- 机器学习以预测为核心 ML的价值在于基于模式进行预测，如根据地理位置与房间数估算房价，或通过图片特征识别对象。这不仅限于标记照片，而是能在新数据输入时自动输出结果。
- 机器学习需要监督训练 如同教孩子认识香蕉：通过反复展示正例（多种香蕉图片）与反例（非香蕉图片），模型逐步学会识别。训练数据的质量与多样性直接影响预测效果。
- 精度并非必须完美 业界普遍接受80%准确率即视为有效（近年标准升至90%）。即便识别错误20%，仍能大幅节省人工时间，具有显著商业价值。
- 区分AI、ML、神经网络 AI（人工智能）：广义概念，指计算机执行任务达到或超越人类水平。 ML（机器学习）：实现AI的一种路径，通过数据训练形成预测能力。 神经网络（NN）：实现ML的具体技术手段，模拟人脑多层节点结构，在训练中自动调整参数。
- ML尚不具备自主意识 ML模型高度依赖人工设定目标与数据，行为受限于训练指令，远未达到“自我觉醒”程度。其表现取决于开发者的清晰引导与数据质量。 综上，ML是实用型预测工具，而非科幻式智能体。理解其能力边界后，可更理性地应用于业务场景。
