从技术底层看AI：那些你天天听却未必懂的分类
其实AI分类就像给手机App分类，有按功能分的（社交、游戏、工具），也有按系统分的（iOS、安卓）。AI按技术底层分，主要有这么几类，每类解决的问题不一样，你得根据自己的需求“点菜”，不能像我以前那样乱点一气。
机器学习：AI里的“基本功”，小数据也能玩
机器学习算是AI的“老大哥”，1950年代就有了，核心思路特别简单：让电脑从数据里自己找规律，不用人一行行写代码。比如你手机相册自动把家人照片归到一起，就是机器学习在干活——你标记过几次“这是我妈”，它就慢慢学会怎么识别你妈的脸。
我踩过的第一个大坑就跟这个有关。前年帮朋友的奶茶店做销量预测，他给了我3个月的销售数据，每天就几行记录（日期、销量、天气）。我当时刚学了点机器学习，觉得“随机森林算法”听起来很厉害，非要用这个模型。结果跑出来的预测结果，误差能差出30杯（他们一天才卖100杯左右）。后来问了公司的老数据分析师才明白：机器学习就像饿肚子的人，你得给够“食物”（数据）它才能干活。传统机器学习算法（比如线性回归、决策树）对数据量的要求不算太高，但至少也得有上千条记录，特征维度（就是影响销量的因素，比如天气、节假日、促销活动）也不能太少。像我朋友那种3个月数据，总共才90条，特征只有3个，根本喂不饱模型。最后改用最简单的时间序列分析（其实也算机器学习的“入门款”），反而准多了——每天销量跟着前3天的趋势走，误差能控制在5杯以内。
现在你打开购物App看到的“猜你喜欢”，很多也是机器学习在背后发力。比如协同过滤算法，它会找跟你兴趣相似的人（比如你们都买过同款运动鞋），然后把那个人买过的其他东西推荐给你。这种算法对数据量的要求不高，小电商也能用得起。
深度学习：机器学习的“学霸版”，吃数据但效果猛
如果说机器学习是“高中生”，那深度学习就是“博士生”——它是机器学习的一个分支，但能力更强，尤其擅长处理图像、语音这种复杂数据。深度学习的核心是“神经网络”，模拟人脑神经元的连接方式，用多层计算单元（比如输入层、隐藏层、输出层）来“层层加工”数据。最典型的例子就是AlphaGo，它下围棋不是靠程序员写死每一步棋，而是通过几百万盘棋谱“训练”，自己悟出门道，甚至下出人类从没见过的棋路。
我第一次用深度学习是帮一家宠物医院做皮肤病识别。他们想让用户拍张宠物皮肤照片，App就能初步判断是不是猫癣、湿疹。一开始我想用传统机器学习（比如SVM算法），找了500张照片训练，结果准确率只有60%，连我都不信这个结果。后来换成深度学习的CNN（卷积神经网络），虽然数据量要到5000张（每张还要标记“这是猫癣”“这是正常皮肤”），但准确率直接冲到了88%。不过这里有个血泪教训：深度学习特别吃“高质量数据”。一开始我们找的照片里，很多背景杂乱（比如宠物在沙发上，沙发花纹干扰识别），模型老是把沙发花纹当成皮肤病。后来花了2周时间，让医生重新拍了1000张纯色背景的照片，准确率才提上来。
现在你用手机拍照自动美颜，背后也是深度学习在分析你的面部特征——哪里是眼睛，哪里是鼻子，然后调整磨皮程度；语音助手（比如Siri、小爱同学）能听懂你说话，也是深度学习在处理语音信号，把声波转换成文字。不过这些应用背后，都是大公司有海量数据撑着，小团队如果数据不够，慎用深度学习，不然就是“大炮打蚊子”，成本高还没效果。
自然语言处理和计算机视觉：AI里的“专项选手”
除了上面这俩“大类”，AI里还有些“专项选手”，专门解决某类问题，比如自然语言处理（NLP）和计算机视觉（CV）。
NLP就是让机器“听懂人话、说人话”。你每天用的微信语音转文字、手机输入法的联想功能、智能客服机器人，都是NLP在干活。我去年做过一个客户投诉分析的项目，客户是一家连锁餐厅，每天收到几百条投诉（电话录音转文字、小程序留言、大众点评评论），人工分类要花3个人力，还经常分错（比如“服务员态度差”和“收银员态度差”被归为两类，其实可以合并成“服务态度”）。我们用NLP里的“关键词提取”和“情感分析”模型，先把所有投诉里的核心词拎出来（比如“等太久”“菜太咸”“桌子脏”），再按语义相似度合并（“服务员”“收银员”都归到“服务人员”），最后自动生成分类报表。原来3个人干1天的活，现在机器10分钟搞定，准确率从人工的75%提到了90%。不过中文NLP有个坑：中文没有空格分词，一句话能有好几种理解。比如“下雨天留客天留我不留”，机器很容易懵，后来我们加了“餐厅领域词典”（把“等位”“翻台”这些行业词提前录进去），准确率才提上来。
CV则是让机器“看懂图片、视频”。你手机扫码支付、地铁站的人脸识别闸机、自动驾驶汽车“看”红绿灯，都是CV的功劳。我接触过一个做智能安防的项目，客户想让摄像头自动识别“有人翻越围墙”。一开始模型老是把“树影晃动”“流浪猫跑过”当成“翻越行为”，误报率高得吓人。后来我们才发现，是训练数据里“正常场景”（比如树影、小动物）太少，模型没见过这些情况，就容易认错。后来收集了2万张“正常场景”照片喂给模型，误报率从每天50次降到了3次以内。
下面这个表，是我根据自己做项目的经验， 的AI技术分类对比，你可以保存下来，下次选AI技术时对着看：
| 技术类型 | 核心特点 | 典型应用 | 数据需求 | 小团队上手难度 |
|---|---|---|---|---|
| 机器学习（传统） | 基于统计模型，从数据中找规律 | 销量预测、用户推荐、信用评分 | 中（数千-数万条数据） | 低（学Python+Scikit-learn库就行） |
| 深度学习 | 多层神经网络，处理复杂数据 | 图像识别、语音合成、自动驾驶 | 高（数十万-数百万条数据） | 高（需学TensorFlow/PyTorch，标注成本高） |
| 自然语言处理（NLP） | 理解、生成人类语言 | 语音转文字、智能客服、情感分析 | 高（大量文本/语音数据） | 中（可先用开源工具如百度AI、腾讯云API） |
| 计算机视觉（CV） | “看懂”图像/视频 | 人脸识别、物体检测、OCR文字识别 | 极高（大量标注图像数据） | 高（标注耗人力， 用预训练模型微调） |
AI落地看应用：这些领域的分类藏着赚钱机会
光懂技术分类还不够，AI最终要落地到具体领域才算真有用。不同行业的AI应用，玩法完全不同，有些已经很成熟，有些还在摸索。我整理了3个最有潜力的领域，你要是想入行AI，或者想在公司推AI项目，这些方向可以重点关注。
医疗AI：离生命最近，也最需要“较真”
医疗AI可能是最让人有成就感的领域了，这里面细分方向很多，最成熟的是医学影像识别。简单说，就是让AI看CT片、X光片、病理切片，找肿瘤、结节、出血点这些病灶。斯坦福大学的研究（https://aiindex.stanford.edu/ nofollow）显示，2023年全球医疗AI市场规模已经超过500亿美元，其中影像识别占比最高，因为它最容易落地——医院有大量历史影像数据，AI模型训练起来有素材；而且识别结果可以当“第二意见”，帮医生减少漏诊误诊，医院愿意买单。
我去年去参观一家做肺结节检测的AI公司，他们的系统对3-5毫米的小结节识别率能到95%，比普通医生（平均85%）还高。但你知道这背后有多“烧钱”吗？他们标注了超过100万张肺部CT影像，每张都由3位主任医师复核，光标注成本就花了2000多万。而且为了让模型适应不同医院的设备（不同品牌CT机拍出来的片子清晰度、对比度不一样），他们跑了全国200多家医院，收集了各种“非标数据”。所以医疗AI看似风光，其实门槛很高，小公司很难玩得起。
不过也有小团队能切入的细分领域，比如“AI辅助诊断APP”。我认识一个团队做的“皮肤病识别”工具，用户拍张照片，AI先初步判断是不是湿疹、荨麻疹，再推荐附近擅长这类疾病的医生。他们没自己标注数据，而是用了“迁移学习”——先拿公开的10万张皮肤病数据集训练基础模型，再用自己收集的5000张中国患者照片微调，成本降了90%。现在这个App在应用商店有50万下载量，靠给医院导流赚钱。
金融AI：最敢花钱，因为“省钱就是赚钱”
金融行业是AI的“土豪客户”，因为每优化1%的效率，可能就意味着几百万的利润。这里面最成熟的是风险控制，尤其是信用评分。以前银行判断你能不能贷款，主要看工资流水、征信报告这些“硬数据”，但很多人（比如自由职业者、刚毕业的大学生）没有这些数据，就很难拿到贷款。现在用AI模型，能分析更多“软数据”——你的手机充值记录（每月稳定充值说明收入稳定）、社交关系（通讯录里有公务员、教师可能加分）、甚至手机充电频率（高频充电可能意味着你经常在外面跑业务，收入不稳定）。
我之前帮一家小贷公司做过模型优化，他们原来的模型把“没有信用卡”的用户都归为高风险，结果错失很多优质客户（比如刚毕业的程序员，月薪2万但没办过信用卡）。后来我们加了“学历”“职业稳定性”“社交圈平均收入”这些特征，通过率提高了20%，坏账率反而降了5%。老板高兴坏了，说这相当于多赚了几百万。
反欺诈也是金融AI的重头戏。你用信用卡消费时，银行会实时用AI判断这笔交易是不是“你本人操作”——比如你平时都在国内刷卡，突然在国外刷了1万块，AI会立刻触发预警，给你打电话确认。有些模型甚至能分析你的打字习惯（比如输入密码的速度、按键间隔），来判断是不是有人盗用了你的账号。
制造业AI：从“制造”到“智造”，省钱就是硬道理
制造业用AI，不像医疗、金融那么“高大上”，但特别实在——核心就是“降本增效”。这里面最火的是“预测性维护”。传统工厂都是“不坏不修”，设备突然坏了，停机一天可能损失几十万。现在给设备装传感器（温度、振动、电流传感器），AI实时分析数据，提前预测哪台机器可能出问题。比如“这台电机振动频率比上周高15%，轴承可能磨损了，3天后可能过热停机”，提前安排维修，不用停产。
我接触过一家汽车零部件厂，他们给每条生产线装了20多个传感器，每天产生10G数据。用AI模型预测设备故障后，一年节省了300多万维修成本，还减少了15%的停机时间。不过这里有个小技巧：别一上来就追求“高大上”的模型，先用简单的“阈值报警”（比如温度超过80度就预警），积累数据后再上复杂模型。他们一开始就犯了这个错，花80万买的AI系统，结果传感器数据质量太差（经常断连、数据漂移），模型根本跑不起来，白白浪费钱。
质量检测也是制造业AI的强项。以前工厂靠人工检查产品外观（比如手机壳有没有划痕、螺丝有没有拧紧），人眼容易疲劳，漏检率高。现在用机器视觉+AI，摄像头一秒钟能拍50张照片，瑕疵识别率能到99.9%。我参观过一家做手机屏幕的工厂，原来每条产线配10个质检员，现在换成AI检测系统，只需要2个人盯着屏幕看异常就行，一年光人力成本就省了200多万。
你看，AI分类不管是按技术还是按应用，核心都是“解决问题”。技术分类帮你选对工具（用机器学习还是深度学习），应用分类帮你找对方向（医疗还是金融）。下次再有人跟你聊AI，你可以先问：“你说的是哪种技术的AI？想解决哪个领域的问题？”——这样一问，别人就知道你是“内行人”了。
如果你最近在做AI相关的项目，或者想在公司推AI应用，欢迎在评论区告诉我你遇到的问题，我帮你分析分析该选哪种技术，避避我踩过的坑！
用Excel做财务预测，你真不用学那么多花里胡哨的函数，我帮十几家小公司搭过模型，发现就4个函数最实用，简单还好记，今天一个个给你掰开揉碎了说。先说说VLOOKUP，这简直是“数据搬运工”，比如你公司有个“销售明细表”，里面列着每个产品每天的销量，但老板要看“季度汇总表”，总不能手动一个个加吧？这时候VLOOKUP就能派上用场——你在汇总表里写个公式，比如“=VLOOKUP(“A产品”, 销售明细表!A:D, 4, 0)”，意思就是“在销售明细表的A到D列里，找A产品对应的第4列数据（也就是销量）”，回车一下，数据直接就过来了。不过这里有个坑，我以前帮朋友的服装厂做表时踩过：如果明细表的“产品名”列有重复（比如“卫衣”和“连帽卫衣”混着写），VLOOKUP只会找第一个匹配的，结果就会出错。后来我学乖了，先把产品名统一成“标准名称”（比如都叫“连帽卫衣”），再用VLOOKUP，就准多了。
光有VLOOKUP还不够，你肯定遇到过表格里突然冒出#N/A的情况，看着乱糟糟的，老板还以为你数据做错了。这时候就得配上IFERROR，它就像个“清洁工”，能把错误值变成你想要的内容。比如刚才那个VLOOKUP公式，你改成“=IFERROR(VLOOKUP(…), “0”)”，意思就是“如果VLOOKUP找不到数据，就显示0”，表格一下子清爽多了。我之前给一家奶茶店做现金流预测，他们有些新品刚上架，历史数据不全，没加IFERROR的时候，表格里一堆#N/A，老板还问我“是不是电脑坏了”，后来加了这个函数，数字整整齐齐，老板看了直点头。
再说说SUMIFS，这可是“多条件汇总神器”，中小企业做预测时经常要按好几个维度统计数据，比如“统计B产品在Q2的线上销售额”，要是手动筛选“产品=B”“季度=Q2”“渠道=线上”再求和，半小时都搞不定，用SUMIFS一分钟就完事。公式长这样：“=SUMIFS(销售额列, 产品列, “B产品”, 季度列, “Q2”, 渠道列, “线上”)”，逗号隔开每个条件，想要啥结果直接算出来。我之前帮一家教育机构做预算，他们有10个课程、3个校区、4个季度的数据，用SUMIFS按“课程+校区+季度”汇总，原本要花一下午的活，20分钟就搞定了，剩下的时间还能喝杯咖啡。
最后必须提数据验证，这简直是“防呆神器”，能帮你挡住90%的低级错误。比如填“销量增长率”时，有人手滑填个“1000%”，模型直接算出明年利润翻十倍，老板一看乐呵呵，结果实际根本达不到，这不就白忙活了？用数据验证就能解决：选中增长率那列，点“数据”选项卡的“数据验证”，设置“允许”为“小数”，“最小值”0，“最大值”0.5（也就是50%），再输入提示信息“请输入0-50%的增长率”，这样别人填超过50%就会弹出警告，根本输不进去。我之前公司有个实习生，第一次填模型时把“管理费用增长率”填成了“500%”，模型算出的费用比收入还高，后来我们加了数据验证，这种离谱的错误再也没出现过。
零基础学Excel财务预测模型，需要先掌握哪些基础操作？
不用急着学复杂功能，先搞定3个基础操作：一是数据录入规范（比如日期用“YYYY/MM/DD”格式，金额列设为“数值”并保留2位小数），避免后续公式报错；二是基础计算（SUM求和、AVERAGE平均），能快速汇总历史数据；三是表格区域命名（选中数据右键“定义名称”），后续写公式时不用记单元格位置，直接用名称引用更清晰。这3点花1小时练习，就能跟着教程上手搭模型了。
搭建中小企业财务预测模型，需要准备哪些核心数据？
至少要整理3类数据：一是历史财务数据（近1-3年的利润表、现金流量表，重点是收入、成本、费用的明细，比如“销售费用”要拆分成“广告费”“差旅费”等）；二是业务数据（各产品/服务的销量、单价、客户复购率，用来预测 收入）；三是外部参考数据（行业平均增长率、同规模企业成本结构，比如餐饮行业食材成本通常占收入的30%-35%，可用来校验自己的数据是否合理）。数据不用追求“全”，但近6个月的明细数据一定要完整，否则预测误差会很大。
用Excel做财务预测时，哪些函数最常用且实用？
亲测4个函数足够新手用，简单还高效：① VLOOKUP（数据匹配，比如从“销售明细表”中提取某产品的季度销量，公式：=VLOOKUP(产品名, 数据区域, 列数, 0)）；② IFERROR（错误处理，避免公式返回#N/A，比如=IFERROR(VLOOKUP(…), “0”)，空值时显示0更整洁）；③ SUMIFS（多条件求和，比如“统计A产品在Q3的销售额”，公式：=SUMIFS(金额列, 产品列, “A产品”, 季度列, “Q3”)）；④ 数据验证（规范输入，比如在“销量增长率”列设置“允许值”为0-50%，防止误填1000%这种离谱数据）。这几个函数覆盖了数据提取、计算、纠错、规范，基本能搞定80%的预测场景。
预测模型中的假设条件（如销量增长率）该如何设定才合理？
别拍脑袋瞎填，分3步来：先看历史趋势（比如过去2年销量年均增长12%， 1年可先按10%-15%预估，别突然设成50%）；再查行业水平（用“企查查”或行业报告看同规模企业的增长率，比如服装零售行业近年平均增长5%-8%，你的模型设12%就要说明理由，比如“新开门店3家”）；最后留缓冲空间（ 设“保守/中性/乐观”3种情景，比如保守8%、中性12%、乐观15%，方便老板看不同情况下的利润差异）。中小企尤其要注意：假设条件要写在模型最上方的“假设表”里，标红突出，后续调整时直接改这里，不用翻遍整个表格。
下载模板后，如何根据自己企业的情况调整？
3步就能改好：① 删冗余项（比如模板里有“研发费用”，但你公司暂时没研发部门，直接删除整列，别留空占位置）；② 补自己的项目（比如模板没有“线上推广费”，就在“销售费用”下新增一行，公式链接到“总成本”列，确保汇总数包含新增项）；③ 校验逻辑（填1个月的实际数据进去，比如用去年1月的真实收入、成本套进模型，看算出来的利润是否和财务报表一致，不一致就检查公式是否漏项）。调整后 “另存为”新文件，保留原始模板，下次换场景（比如做融资预测）还能再用。
