主题：【原创】机器学习的基础是什么？(0) -- 看树的老鼠

关于因果性，我完全同意您的说法。

关于您的整篇文章，我不确定我是否理解了。如果理解的不对，请指正。

简单来说，我觉得以后的机器学习会知道怎么自己做地球仪。

以下我不加区分的使用“模型”、“假设”、“理论”这三个词语。但是按照您的要求，我会区分模型和算法。

传统方法+统计学都是这么干的。

1. 创造高斯模型（高斯假设）。这个假设扭曲的很过分。

2. 在这个模型基础上跑训练算法

3. 得到一个训练后的模型

机器学习

1. 创造宽松的机器学习假设。

2. 在这个模型上跑训练算法

3. 得到训练后模型

训练后的模型可以用于我们的supervised任务，我们管它叫算法还是叫模型比较好？我暂时称为训练后模型吧

机器学习放松了假设，所以效果更好。所以，我很认同机器学习的这种做法。

我只是觉得它还不够好。比如给定这样一个任务：已知球面上点A的坐标和点B的坐标，输出是两点间最短球面距离。

今天的机器学习只能利用训练数据（如一系列坐标对和相应的距离），给出一个无法理解的训练后模型。

而人看到这个任务，他能够利用的知识是对这个问题的物理理解和一些训练数据。如果之前人没有几何的知识，他会创造出一个几何假设（几何理论），来解决这个问题。如果我们管人的成果也叫做训练后模型，那么人的训练后模型中包含了新的假设（几何理论）。

我期待的就是：机器能够像人一样利用更广泛的信息，如物理理解。然后输出更优雅的训练后模型，比如几何理论。

你可能会说，这怎么可能？你已开始的机器学习假设是什么，机器最多帮你调整一下参数，假设的形式不会变。怎么会变成几何假设呢？

我只好说，人脑其实也就是一个参数化的神经连接假设，但是人脑就知道怎么解释神经连接中的参数，把这些参数用清晰的语言表达出来，成为几何假设。

从数学角度来讲也是可行的，参数和模型真的有那么大的区别吗？如果我们把数字和模型之间建立一一对应的关系，参数调整过程就是创造新模型的过程。谁说模型只能是人提出来的，机器只能计算？到这一步，或许您可以看出我为什么不太愿意区分模型、参数和算法这三个概念。

这种说法目前看不到任何实现的可能性。想要走到这一步，机器学习或许还要往前走很远，结合大家所说的脑神经研究和量子力学。

但是，有人脑这个例子在前，我相信基于一个参数可调整的神经连接假设（或许还要加上更多的脑神经假设和量子力学假设），可以创造并表达出简洁、清晰的理论（如几何理论），所以这是可行的。