> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# 机器学习过时了吗？
- URL: https://www.hubwiz.com/blog/is-machine-learning-obsolete/
- Published: 2025-12-04T07:16:11.000Z
- Updated: 2025-12-04T07:16:11.000Z
- Description: 在本文中，我们将分析人工智能领域的演变，传统 ML 角色是否面临风险，以及在基础模型时代，数据专业人士的未来会怎样。
- Author: admin
- Tags: JOB MARKET, MACHINE LEARNING, #Import 2026-10-14 14:41

就在几年前，机器学习（ML）是人工智能进步的巅峰——一种被顶级科技公司追捧的精英技能。但如今，随着基础模型和生成式 AI 的兴起，许多人开始问：机器学习是否正在过时？ 这种转变对数据科学家意味着什么，他们传统上是从头构建和微调 ML 模型？

在本文中，我们将分析人工智能领域的演变，传统 ML 角色是否面临风险，以及在基础模型时代，数据专业人士的未来会怎样。

## 1、什么是机器学习？

在讨论其过时之前，值得回顾一下机器学习到底是什么。

**机器学习** 是人工智能的一个子集，它使系统能够从数据中学习并随着时间的推移而改进，而无需显式编程。它包括：

- **监督学习**：从标记的数据中学习（例如，预测房价）。
- **无监督学习**：在未标记的数据中寻找模式（例如，客户细分）。
- **强化学习**：通过基于奖励的反馈进行学习（例如，机器人、游戏）。

传统上，ML 工作流程包括：

- 清洗和转换数据
- 特征工程
- 模型选择和调整
- 部署和监控

![](https://www.hubwiz.com/blog/content/images/2025/12/image-14.png)

传统 ML 流程的简单图示：数据 → 特征工程 → 模型训练 → 评估 → 部署

## 2、转变：进入基础模型

随着**基础模型**的出现，游戏规则发生了变化——像 GPT、PaLM 和 Claude 这样的大规模预训练模型，它们是在互联网规模的数据集上训练的。这些模型可以执行以前需要单独定制模型的任务。

什么让基础模型与众不同？

- **规模**：经过数十亿参数和数万亿个标记的训练
- **多功能性**：只需最少的微调即可执行多项任务（即“零样本”或“少样本”学习）
- **可访问性**：可通过 API 使用，无需从头开始构建自己的模型

现实世界例子：

- 曾经需要专门 BERT 模型的文本分类现在可以通过提示 GPT-4 来处理。
- 曾经由特定领域意图和模型驱动的客户服务聊天机器人，现在已被通用 LLM 取代。

![](https://www.hubwiz.com/blog/content/images/2025/12/image-15.png)

传统 ML 模型（小、特定、孤立）vs. 基础模型（大、通用、灵活）

## 3、这是否意味着机器学习已经过时？

**不完全是——但它的角色正在改变。**

传统 ML 仍然胜出的情况：

- **资源限制**：LLM 运行成本高昂。对于已知任务，小型模型在规模上更有效。
- **隐私与合规性**：在受监管的行业中，内部构建模型可以避免将敏感数据外部化。
- **边缘部署**：轻量级模型更容易部署在计算能力有限的设备上。

LLM 正在接管的地方：

- 快速原型设计和实验
- 一般的语言相关任务（如摘要、问答、翻译）
- 用提示工程取代 MLOps 工具链的大部分部分

TL;DR：**机器学习并未消亡——它只是从“自己构建”转变为“组合和协调预训练模型”。**

## 4、对数据科学家的意义

数据科学家的角色正从一名*模型构建者*转变为一名*模型协调者*。不再是从头训练模型，现在的重点是：

- 提示工程

知道如何有效地指导和引导 LLM 成为一项核心技能。

- 评估与防护机制

基础模型虽然强大但不可预测。数据科学家必须实施稳健的评估指标和安全检查。

- 数据为中心的 AI

高质量的数据仍然至关重要。有了 LLM，输入数据变得更加关键——垃圾输入，幻觉输出。

- 模型选择

了解何时使用传统模型与基础模型现在已成为工作的一部分。

![](https://www.hubwiz.com/blog/content/images/2025/12/image-16.png)

现代数据科学家工作流程图：数据 → 提示 + 传统 ML + LLM API → 评估 → 部署

## 5、分步指南：如何在新的 AI 栈中工作

让我们通过一个例子来讲解：**自动简历筛选**。

第一步：使用传统 ML 处理结构化数据

- 根据技能、经验等对候选人进行评分。
- 使用逻辑回归或 XGBoost 进行分类。

第二步：使用 LLM 进行文本理解

- 通过 GPT-4 从简历中提取与工作相关的关键词。
- 使用少量样本提示总结申请人的背景。

第三步：结合输出

- 结合结构化模型输出和 LLM 生成的摘要，创建最终评分。

![](https://www.hubwiz.com/blog/content/images/2025/12/image-17.png)

用于简历筛选管道的混合 ML + LLM 架构图

常见陷阱：

- 仅依赖 LLM 处理所有用例
- 忽略成本和延迟问题
- 将基础模型视为黑盒

最佳实践：

- 在可能的情况下微调小型模型
- 将 LLM 用于增强而不是替代
- 总是验证模型输出，特别是对于高风险决策

## 6、结束语：拥抱变革，不要害怕它

机器学习并未过时——它只是因基础模型的兴起而发生了变化。未来属于那些能够将传统工具与前沿 AI 能力相结合的数据科学家。少关注“模型训练”，多关注“系统设计”。你的价值在于*你如何应用*这些工具，而不仅仅是如何构建它们。

---

原文链接：[Is Machine Learning obsolete? How data scientists must adapt to stay relevant](https://trigonal-ai.medium.com/is-machine-learning-obsolete-how-data-scientists-must-adapt-to-stay-relevant-1d44552d266e?ref=hubwiz.com)

汇智网翻译整理，转载请标明出处