机器学习、图形学和机器人学

背景是：三种不同的技术方向的思路太不一样了。

AI，或者说机器学习：我们这个领域的人在意的就是一个点：泛化性。也就是说，你在训练集上搞了一堆东西，能不能无缝应用到同样场景的其他数据上（不管是验证集还是测试集，不管你怎么叫），才是核心所在。这其实就引出了最重要的一个概念：你的模型是不是过拟合了？

图形学和机器人学 追求的是极致的效果。比如说disney制作一个影片，不管性能瓶颈如何，都会用集群的方式把动画渲染出来。那效果自然没得说，但是这全过程中，代码没有太多复用的路径。所以来个新的需求，他们还需要重新写渲染代码来实现新的目标。也就是说没有泛化性。

相同类似的，如果你看过boston dynamics的机器人翻跟头视频，你可以再去看几遍。这几次，你可以仔细关注房间里面贴了多少标志符号。我的问题就是，如果没有了这些标注符号它还能行吗？如果比如说他打开的门把手换成塑料的还能行吗？这其实就是泛化性的一种诉求。

商业价值？

到商业上，谁在意你是AI 图形学 机器人学还是啥？我举一个场景，比如说京东仓库。你能需要机器学习吗？或者说，你需要泛化吗？我的答案是，不需要的。 一共仓库就那么点儿地方，然后其他的部分都已经自动化机械化过了，偶尔走过几个人而已。那么是不是只要用控制的方式（机器人学的套路来做就行了）就欧了？用机器学习的话来说，其实我只要搞大量的数据，彻底过拟合掉训练集到100%。这种方案从传统的AI角度来看可能没啥价值，但是能解决问题赚到钱不就完了？

哪个方向能解决你的问题？

第一个问题问下，我这需要泛化性吗？封闭空间里不需要的话其实就别折腾了。然后再钻到场景里面去，封闭空间里能不能用控制的方法解决？代码一定要写死吗？规则不多的话用知识图谱来索引NLP的应用？如果逻辑太不清晰就搞个神经网络过拟合算了。