好的模型，为什么非得是人能够理解的？

有的人，对深度学习（deep learning）模型，很不以为然。

说根本没有搞清楚因果关系，只是拿出相关性来说事儿。

尤其是模型无法清楚解释——即不能像牛顿力学一样，用简单优美的数学公式刻画。

奇怪，为什么模型一定要简单到清清楚楚？

复杂系统已经被研究了这么多年，却还有人恨不得回归前信息化时代。

总不能因为你只学过文科班高中物理，就得让全世界的科学研究退回到1800年之前吧？

人是通过大脑，对信息进行加工的。

连这个加工工具，至今都没有完全搞清楚，不是吗？

那为何要对机器们在大数据上，辛辛苦苦构造出的模型，如此苛刻？

一个模型，可以准确做分类预测。而且反复在新的、没有训练的数据上尝试过，好用，那不就好了？

虽然不能排除纯是因为运气，但是这种可能概率很小。

好的模型，为什么非得是人能够理解的？

人对于宏观世界，至今缺乏理解。大爆炸只是假说。

人对于微观世界，同样缺乏理解。什么叫“测不准”来着？

人对于暗物质，意见不一。找不到证据，成为了“最好的证据”。

人连时间是什么，还说不清楚。要不然哪儿来的这么多穿越剧？

那凭什么，一个好用的模型，只是因为层数多、结构复杂、无法用数学语言解释给听众，就被鄙视？

其实原因也不难理解。

都在于人类社会协作中的共识。

大家都认同的，很有价值。

例如美元、黄金和一线城市的房地产。

极少数人才认同的，价值没有这么高。

例如2012年的比特币。

大部分人都无法理解，自然难以达成共识。

这时候有人出来批评复杂模型，看不懂的人就觉得很爽。

看，我不理解的东西，就一定是不靠谱的，哈哈。

站队的结果，就是大部分连讨论对象是啥，都没有搞清楚的人，跟随主流意见，人云亦云而已。

然而……

共识是会发生变化的，即所谓“范式转移”嘛。