本期探讨了机器学习的底层机制，斯蒂芬·沃尔夫勒姆试图通过构建极简的离散规则阵列模型来揭示其科学本质。作者指出，机器学习并非建立在可解释的工程结构之上，而是利用了计算不可约性带来的复杂性，通过采样计算宇宙中现有的行为来达成目标。这种适应性演化过程与生物进化有着深刻的内在联系，两者都依赖于在海量可能性中寻找符合目标的特定路径。研究表明，即使是极其简化的离散系统也能重现复杂神经元的预测能力，但其不可解释性是追求强大计算能力的必然代价。最终，作者认为理解机器学习的关键在于卢理学（Ruliology），即通过研究简单规则产生的复杂行为来探索这一领域的科学基础。
EP64 计算视角的机器学习：计算不可约性下的“复杂性挖掘”
18分钟 ·
7·
0
70