那本让周志华在中国 AI 学生里家喻户晓的书，封面上画着一个西瓜。好瓜和坏瓜按色泽、根蒂、敲声被分开，这个西瓜（watermelon）从此贯穿全书，从决策树一直讲到支持向量机。学生叫它"西瓜书"。
这是大多数人认识的周志华。另一个周志华，花了很多年时间去质疑一句几乎没人再追问的话：当一种技术成功了，它是否就是那件事本身。
他的坐标
周志华是南京大学教授、中国科学院院士、南京大学副校长。他是机器学习与数据挖掘研究所 LAMDA 的创建者，也是南京大学人工智能学院的首任院长（2018 年）。他写的《机器学习》由清华大学出版社出版，被上百家高校用作教材；英文著作《Ensemble Methods: Foundations and Algorithms》2025 年出了第二版。
按南京大学官网，他获得过两项国家自然科学二等奖、IEEE 计算机学会技术成就奖（2019），是 ACM、AAAI、AAAS、IEEE 会士。
这些头衔的意义在于：他不是在门外质疑主流，而是在门内。
深度森林：把"机制"和"实现"拆开
到 2017 年，"深度学习"已经悄悄变成了"深度神经网络"的同义词。周志华和学生冯骥在 IJCAI 2017 发表《Deep Forest: Towards An Alternative to Deep Neural Networks》，把这个等号拆开了。
他们的做法是先分离机制与实现：深度神经网络真正起作用的，是逐层处理、模型内部的特征变换、以及足够的模型复杂度——这三条里没有任何一条要求模块可微。
于是他们用决策树造了一个满足三条的深层模型：gcForest（深度森林）。级联的每一层由多片随机森林组成，上一层输出的类概率向量拼回原始特征后再喂给下一层；只有当验证集表现还在提升时，层数才继续增长。多粒度扫描用滑动窗口在原始特征上取信息，大致扮演卷积或循环的角色。
它的实际好处是超参数远少于深度网络，深度由数据决定。但更重要的不是刷榜，而是它证明了一件事：一种占统治地位的实现方式，很容易被误当成原理本身。
学件：训练结束之后，模型去哪
周志华反复回到一个不讨巧的问题：已经训练出那么多模型，为什么每接到一个新任务还要从训练重新开始？
他的答案是学件（learnware）。2016 年他在《Frontiers of Computer Science》发表短文提出：学件 = 训练好的模型 + 规约（specification）。规约描述这个模型擅长什么，包含一段语义规约和一份统计规约（团队用的是缩减核均值嵌入 RKME）。规约的关键作用是：不用交出原始数据，也能让系统判断这个模型有没有用。
攒够了之后流程就反过来了——不是训练，而是检索、复用、必要时组合。
想法容易停在纸上。这个没有。团队做了系统，并发表在 KDD 2024：《Beimingwu: A Learnware Dock System》，谭志豪、刘海天为共同第一作者，周志华为通讯作者。北冥坞 v1.0 版本发布于 2024 年 1 月，代码开源。
工程才是检验的地方：北冥坞在本地生成规约、对提交的学件做质量检测、支持表格/图像/文本的查搜，并提供统一的部署复用接口；提交、识别、部署全程不要求用户上传原始数据。论文也写明了野心——当学件坞积累到百万量级，也许能靠组装已有学件去解决从未专门训练过的任务。那个"也许"很重。
他到底在反对什么
周志华不是通俗意义上的大模型怀疑者。南京大学一篇关于其团队的报道里，他说的是业界对大模型存在一定的"迷信"：如果无视实际需求，硬用大模型去处理小模型就能胜任的任务，不仅浪费算力，还可能因过度设计而适得其反。
他反对的是单一化，不是规模。这个区别很容易被忽略——今天关于中国 AI 的公共讨论大多在比谁的模型更大；周志华的问题是：当一个领域几乎所有人都围着同一个对象工作时，还有谁在看别的门。
诚实的局限
这篇主要依据周志华本人发表的论文、南京大学官网和他的公开简历——适合回答"他造了什么"，不适合回答"用得多广"：教材的读者规模、北冥坞的采纳情况，都没有可独立验证的数据。
我也无法判断学件这条路线最终会不会成。深度森林没有取代神经网络，而且我没有找到任何证据表明它曾被设计成要取代。更诚实的说法是：周志华留下的是一个研究纲领加一个能跑的系统，不是一场胜利。
另外两点刻意删掉了：AI 教育政策层面的讨论，以及他的行政职务与科研经费之间的关系——都需要我无法核实的信息。职务表述有出入时以校方官网为准；当选院士的具体年份未获官方页面确认，因此不在正文给出。
普通人现在能做什么
- 先读 IJCAI 2017 那篇 gcForest 原文，再读别人的评论。核心的"三要素"论证只有两段，值得你自己判断站不站得住。
- 如果你在私有数据上训练细分场景的小模型，去看一眼北冥坞仓库，然后问一个具体问题：你能不能给自己的模型写一份规约，让别人不看你的数据也能用上它？写不出来，你就找到了难点。