---
title: "树犹如此，人何以堪：决策树——防止算力霸权的社会主义算法"
cato: social
labels:
  - funny
  - machine learning
---

我是一个决策树的死忠粉。

别笑，我是认真的。当全世界都在为神经网络的每一个百分点准确率狂欢时，我独自坐在实验室的角落，抚摸着我那棵优雅的决策树，内心在呐喊：你们都疯了吗？

今天，我必须为这位被时代冷落的老朋友写点什么。不是为了哗众取宠，而是想让大家思考一个严肃的问题：当机器学习变成算力军备竞赛，谁会被甩下车？

## 算力霸权：新时代的“圈地运动”

先说个扎心的事实。现在训练一个大语言模型的成本是多少？GPT-4据说花了超过1亿美元。1亿美元是什么概念？够一个发展中国家建多少所学校？够多少个初创团队烧多少年？

这就是我所说的算力霸权。

看看今天的AI界，俨然成了19世纪的英国圈地运动：

· OpenAI：从微软拿了上百亿美元
· 谷歌：自有TPU集群，别人望尘莫及
· Meta：买了35万张H100显卡

这不就是资本原始积累吗？富者愈富，穷者愈穷。谁有算力，谁就能训练更大的模型；谁有更大的模型，谁就能融更多的钱；谁有更多的钱，谁就能买更多的算力。完美的正反馈，完美的马太效应。

然后呢？全世界最聪明的大脑都被这几家公司吸纳，学术界的独立研究空间被压缩，你一个普通研究生想搞大模型？洗洗睡吧，你的奖学金还不够付一次训练的电费。

这就是神经网络的“原罪”——不是它不好，是它的好太贵了。

决策树：劳动者的算法

现在让我来告诉你，为什么决策树是社会主义的机器学习算法。

1. 训练成本：真正的“按需分配”

决策树的训练成本有多低？

一台普通的笔记本电脑，几秒钟，几百兆内存，搞定。

没有GPU的要求，没有分布式系统的烦恼，不需要租云服务器，不需要排队等算力配额。

这意味着什么？意味着一个非洲村庄里的学生，一台五年前的旧电脑，就能训练出一个可用的决策树模型。一个初创团队，零预算起步，也能做机器学习。

这就是生产资料的去中心化。当神经网络把算力集中到少数巨头手中时，决策树把模型训练的权利还给了每一个普通人。

2. 可解释性：人民当家作主

神经网络是个黑盒子。输入一张猫的图片，它告诉你“这是猫”。为什么？不知道。参数太多，无法解释。

一个无法解释的决策，本质上是一种权威主义。 你说它是猫，它就是猫，没有理由，没有过程，不接受质疑。

决策树呢？

```
猫？ 
├─ 有胡须？
│  ├─ 是 → 喵星人
│  └─ 否 → 汪星人
└─ 会爬树？
   ├─ 是 → 可能喵
   └─ 否 → 可能汪
```

每一层决策，每一个分支，清清楚楚，明明白白。你可以追溯，可以质疑，可以改进。这是透明治理，这是民主监督。

在医疗诊断、金融风控、司法判决这些影响人生命运的领域，你敢用黑盒子吗？决策树的透明性，不是技术缺点，而是伦理要求。

3. 开源平等：告别算力阶级

神经网络的世界里，存在一个隐形的算力阶级：

· 算力贵族：拥有千亿参数大模型的公司
· 算力平民：只能微调别人模型的研究者
· 算力贫民：连微调都做不了的普通开发者

决策树彻底抹平了这种阶级差异。因为它的门槛足够低，低到所有人都能成为“生产资料所有者”。

你不需要向巨头“借”算力，不需要跪求API key，不需要担心被限流、被涨价。自己动手，丰衣足食。

用数据说话

我知道有人会说：“决策树准确率不如神经网络啊！”

我们来算一笔账。

假设一个场景：一个发展中国家的农业部门，想用机器学习预测作物病虫害。

方案A：神经网络

· 购买GPU服务器：$10,000
· 雇佣专业团队：$50,000/年
· 电力、维护成本：$5,000/年
· 总投入：至少$65,000起

方案B：决策树

· 现有办公电脑：$0
· 农技员自学两周：$0
· 总投入：基本为0

准确率对比：神经网络可能93%，决策树可能88%。

5个百分点的差距，值这$65,000吗？对发达国家来说可能值，对发展中国家来说呢？

更重要的是，决策树的方案是可持续的、可自主维护的。神经网络模型一旦出了问题，你还得请回那个$50,000/年的专家团队。

技术多样性也是一种安全

过度依赖神经网络还有一个隐忧：单点故障风险。

如果全世界的AI都依赖于少数几家公司的超大规模模型，那么：

· 这些公司被制裁了怎么办？
· 这些模型被植入了后门怎么办？
· 这些公司的服务器宕机了怎么办？

这不是危言耸听。算力集中就是权力集中，权力集中就是风险集中。

决策树为代表的传统机器学习方法，提供了一种技术多样性。就像农业不能只种一种作物，金融投资不能只投一只股票，我们的AI生态也不能只有神经网络一种范式。

结语：让机器学习回归“学习”

我不是要否定神经网络的价值。Transformer架构确实是伟大的创新，大模型也确实带来了令人惊叹的能力。

但我反对的是唯神经网络论，反对的是算力至上主义，反对的是用资本门槛剥夺普通人参与AI的权利。

决策树的美丽在于它的纯粹——它不需要几万张显卡，不需要几亿美元，不需要上千人的团队。它只需要一个问题，一些数据，和一棵愿意倾听你解释的树。

这才是真正的机器学习：让每一个有想法的人，都能用得起、学得会、看得懂。

在算力霸权的阴影下，决策树像一面红旗，提醒我们技术发展的初心——不是为少数巨头服务，而是为大多数人赋能。

我爱决策树，不仅因为它的优雅，更因为它的平等。

在这个被神经网络裹挟的时代，让我们不要忘记：机器学习，终究是每一个人的学习。

“树上的叶子，片片不同；就像这世间，人人平等。”

—— Noai 考试一天前