AI通识：从机器学习到深度学习，核心概念与发展脉络

昨天咱们聊了聊为什么要拥抱 AI，以及如何在 KingbaseES (KES) 上搭好台子。今天，咱们正式进入“数影寻智”的第二天。

很多架构师同事跟我抱怨：“AI 圈子里的名词太多了，一会儿 CNN，一会儿 Transformer，听着就头大。”其实，跳出那些复杂的数学公式，从系统架构的角度来看，AI 的演进脉络清晰得就像咱们熟悉的分布式演进史。

壹：核心逻辑的转折——从“编剧”到“导演”

在传统软件架构里，我们更像是一个编剧。每一行逻辑、每一个异常处理都要写得明明白白。如果系统没按预期跑，那是我们脚本没写好。

但在 AI 时代，我们的角色变了，我们成了导演。

• 机器学习 (ML)：就像是你给演员（模型）讲戏，你得告诉他：“你看，这种眼神代表悲伤，这种手势代表愤怒。”这就是特征工程。你得帮模型提取关键特征（Feature）。
• 深度学习 (DL)：这时候演员大牌了，也更有灵性了。你只需要把剧本（海量数据）扔给他，跟他说：“你自己悟吧，我就要最后那个哭出来的效果。”它会通过多层神经网络，自己去提取那些人肉眼甚至无法定义的特征。

这就是所谓的“表征学习”。从架构上说，我们从硬编码逻辑转向了数据驱动逻辑。

贰：核心概念：这三根柱子你得扶稳

搞 AI 离不开这三个词：模型、损失函数、优化器。

用咱们金仓数据库的维护来打比方：

1. 模型 (Model)：就是那套复杂的查询执行计划。
2. 损失函数 (Loss Function)：就是“实际执行耗时”减去“理想耗时”的差值。差值越大，说明计划越烂。
3. 优化器 (Optimizer)：就是你调整索引、重写 SQL 的那个动作。目标只有一个：让损失函数的值越来越小。

叁：脉络梳理：从“小作坊”到“流水线”

AI 的发展不是一蹴而就的：

• 古典时期（感知机/逻辑回归）：能解决简单的线性分类，就像早期的单机数据库，处理能力有限。
• 中兴时期（SVM/随机森林）：引入了核函数、集成学习。这一阶段的 AI 已经在很多工程场景落地了。
• 大航海时代（深度学习/神经网络）：随着算力爆发，多层神经网络让图像识别、语音识别达到了超越人类的水平。

肆：手感实战——在 KES 里的“特征提取”

在机器学习中，数据清洗和特征转换是重头戏。作为架构师，我坚持数据能在数据库里处理的，就别往内存里搬。

假设我们在 KingbaseES 里存了一堆用户的原始行为日志，我们想提取一个简单的特征：用户活跃度归一化。这在机器学习预处理中非常常见。

看看这段 Python 代码，它是如何配合 KES 完成“数影取数”并进行基础处理的：

# -*- coding: utf-8 -*-
import ksycopg2
import pandas as pd
from sklearn.preprocessing import MinMaxScaler

def feature_engineering_demo():
    # 还是昨天的那个连接逻辑，记住，驱动要去官网下最新的
    # 链接：https://www.kingbase.com.cn/download.html#drive
    conn_params = "dbname=test user=username password=123456 host=127.0.0.1 port=54321"
    
    try:
        conn = ksycopg2.connect(conn_params)
        print("--- 开始从 KingbaseES 提取原始特征 ---")
        
        # 模拟从 KES 提取用户登录次数和消费金额
        query = "SELECT user_id, login_count, spend_amount FROM user_stats"
        df = pd.read_sql(query, conn)
        
        # 架构师视角：AI 模型对数值敏感，我们得做归一化
        scaler = MinMaxScaler()
        # 假设我们只对后两列特征进行缩放
        df[['login_count', 'spend_amount']] = scaler.fit_transform(df[['login_count', 'spend_amount']])
        
        print("特征处理完成，前5行数据如下：")
        print(df.head())
        
        # 接下来，这些清理好的数据就可以喂给 Scikit-learn 或 PyTorch 了
        conn.close()
        
    except Exception as e:
        print(f"处理过程中出现偏差: {e}")

if __name__ == "__main__":
    feature_engineering_demo()

结语：架构的终点是“自然”

不管是机器学习还是深度学习，它们其实都是在试图模拟人类对这个世界的感知方式。

我常说，好的架构应该是“润物细无声”的。当我们把复杂的算法逻辑，通过像 KingbaseES 这样稳健的数据库进行支撑和流转时，技术就不再是冰冷的数字，而是一种洞察业务的智慧。

明天，咱们深入聊聊那个最核心的问题：为什么在 AI 时代，数据存储基础如此重要？为什么我们要把 AI 的底座压在 KingbaseES 上？

下期预告： 第3天：AI数据存储基础：为什么选择KingbaseES？核心特性与AI场景适配性。