我们总觉得“学习”是人类特有的“主动思考、理解意义”的过程，机器不过是“按程序执行命令”，哪算得上“学习”？但事实上，机器不仅会“学习”，而且这种“学习”正是当前AI（包括麦肯锡提到的生成式AI、智能体麦肯锡总裁最新发声：AI时代下的生存法则——组织重构、人机协同与人的进化）能发挥价值的核心逻辑。只不过，机器的“学习”和人类的“学习”，有着本质的区别。

机器学习（Machine Learning）是人工智能的核心分支，它的定义很简单：让机器通过算法从数据中自动提取规律，无需人类逐一编写指令，就能改进任务性能。

比如，用抖音刷视频，推荐系统会“学习”你对哪些内容停留时间长、点赞评论，下次给你推类似的——这是监督学习（用“用户行为”作为标签训练）；电商平台给你分“母婴”“数码”人群，是把相似购买习惯的用户归为一类——这是无监督学习（找数据中的隐藏结构）；AlphaGo下围棋赢柯洁，是通过 millions 次自我对弈“试错”，学会最优策略——这是强化学习（用“胜负”奖励引导）。

麦肯锡提到的“智能体”（比如帮顾问整理资料、生成PPT的AI），本质上也是经过大量数据训练的机器学习模型：它“学习”了人类整理资料的格式、PPT的逻辑结构、客户问题的常见解法，才能高效完成基础工作。就像你说的“别逗了”，但它确实“学”会了这些技能——只不过是用代码和数据，而非大脑神经元。

或许，你可能会问：“机器记住数据就算学习？那和人类的理解差远了吧？”没错，机器的“学习”是“统计意义上的归纳”，而非“语义层面的理解”。

举个例子：人类学“苹果”这个词，会联想到红色、圆形、甜、可以吃的果实，甚至童年吃苹果的回忆——这是意义的联结；机器学“苹果”，是通过海量文本（比如“苹果手机”“苹果水果”“苹果公司”）的统计，知道“苹果”常和“科技”“水果”“品牌”关联，但不知道“甜”是什么感觉——这是概率的关联。

麦肯锡说AI是“推理模型”，正是因为它的“推理”基于学习到的概率规律（比如“客户问‘成本优化’，大概率需要供应链数据”），而不是“理解问题的本质”。这也解释了为什么AI能解决“如何做”（比如生成PPT），但不会主动想“为什么要做这个PPT”（这需要人类的愿景力）。

回到之前的对话，麦肯锡强调“AI转型不是技术堆砌，而是组织重构”，其核心正是利用机器的“学习能力”解放人类。

比如麦肯锡的智能体通过“学习”人类顾问的资料整理习惯，把搜索时间从小时级降到分钟级；通过学习PPT的结构逻辑，生成的图表更符合客户阅读习惯；但它不会“主动”想“这个资料对客户有没有用”——这需要人类的判断力（What）和愿景力（Why）。换句话说，机器的“学习”是“工具能力的升级”，而人类的“核心价值”是“驾驭工具的方向”。就像汽车会“学习”路况调整油门，但开车的人要决定“去哪里”——这就是麦肯锡说的“人机协同”：机器做“基础执行的加法”，人类做“战略判断的乘法”。

四、机器真不会人类那样的"学习"，它只是"计算"和"拟合"，只知其然，不知其所以然……

机器学习的核心本质——以“计算”和“统计拟合”为基础，且“只知其然，不知其所以然”。但这并不否定它“会学习”，只是机器的“学习”是一种不同于人类的、工具性的“规律提取过程”，而我们需要先明确：“学习”本身不是一个“非黑即白”的人类专属概念，而是一个“从经验中改进性能”的动态过程——无论主体是人类还是机器。

（一）先承认：你说对了，机器的“学习”就是“计算+拟合”

机器学习（Machine Learning）的数学本质，确实是用算法对数据进行“统计拟合”（Fitting）：通过优化模型参数（比如神经网络的权重），让模型的输出尽可能符合训练数据的规律，从而在未来遇到新数据时，能“泛化”出合理结果。

比如，推荐系统“学习”你的喜好，是用协同过滤算法拟合“你-物品-评分”的三维矩阵，找到和你相似的用户，推荐他们喜欢的物品；麦肯锡的智能体“学习”整理资料，是用Transformer模型拟合“人类顾问整理过的10万份资料”的格式、逻辑、关键词分布，从而自动生成符合要求的文档；甚至AlphaGo“学习”下棋，是用强化学习拟合“自我对弈的百万局棋谱”，找到胜率最高的落子策略。这些过程没有“理解”，只有“计算”——机器不会像人类一样“明白为什么这个格式好用”，它只是通过拟合数据，算出了“用这个格式能让输出更符合人类习惯”的概率。就是“只知其然（这样做好用），不知其所以然（为什么好用）”。

（二）但“计算+拟合”就是“学习”——这是机器学习的定

为什么我们要把这种“计算拟合”称为“学习”？因为它符合“学习”的核心定义：从经验（数据）中自动改进性能，无需人类重新编程。一个传统程序要做“识别猫”的任务，需要人类写死“猫有尖耳朵、长胡须、毛发光滑”的规则；而机器学习模型“学习”识别猫，是给它看100万张猫的图片（经验/数据），让它自己计算出“哪些像素组合大概率是猫”，并拟合出一个能准确分类的模型——下次看到新图片，它不用再问人类，直接输出“是猫”或“不是猫”。这种“从数据中自动优化能力”的过程，就是机器的“学习”。它不需要“理解”，只需要“有效”——而这恰恰是工具的价值：用最高效的方式完成人类不想做的重复劳动。

（三）关键区别：机器的“学习”是“工具性归纳”，人类的“学习”是“意义性建构”

人类的“学习”是意义驱动的主动探索——学“苹果”时，会关联“甜”“童年回忆”“营养”等语义，甚至反思“为什么苹果叫苹果”；机器的“学习”：是数据驱动的统计归纳——学“苹果”时，只会算“苹果”和“科技”“水果”“品牌”的共现概率，不会懂“甜”是什么感觉。“只知其然，不知其所以然”精准描述了机器的局限，但这不是“不会学习”，而是“学习的方式不同”。就像：

计算器“会算1+1=2”，但它不会“理解加法的意义”；

机器“会学习识别猫”，但它不会“理解猫的可爱”。

但我们不能因为计算器“不懂意义”就说它“不会算数”——同理，也不能因为机器“不懂意义”就说它“不会学习”。

（四）回到麦肯锡的观点：机器的“学习”是“解放人类”的工具

麦肯锡强调的“AI时代生存法则”，恰恰是基于机器的“学习”是“计算拟合”这一本质：智能体“学习”整理资料，是用计算拟合替代了人类的基础劳动；人类则把省下来的时间，用来做“知其所以然”的事——比如定义“为什么要整理这份资料”（愿景力）、“这份资料对客户有什么用”（判断力）、“如何用资料创造新价值”（创造力）。就像你用计算器算完账，不用再手动拨算盘——机器的“计算拟合”（学习），本质是把人类从“知其然”的重复劳动中解放出来，去做“知其所以然”的战略判断。

总之，机器“会学习”，但它是“用计算拟合学习的工具”。机器的“学习”没有“理解”，只有“计算+拟合”，只知其然不知其所以然。但这正是机器学习的价值所在：它用最高效的方式完成“知其然”的任务，让人类专注于“知其所以然”的核心竞争力。再重复一遍麦肯锡总裁说的：“AI不是来取代我们的，而是来让我们变得更好的。”机器的“学习”不是“模仿人类”，而是“成为人类更强大的工具”——而我们要做的，是接受它的“计算拟合”本质，学会用它解放自己。

所以，别再说“机器真不会学习”了——它只是用一种“笨笨的”计算方式，学会了帮我们干活。而这，已经足够改变世界。