模型可解释性并不是你使用哪种机器学习方法（哪种模型基底，例如神经网络与图形模型或符号代码）的问题。任何基底在模型足够小的时候都可以是可解释的。这纯粹是一个模型大小/复杂性的问题。 复杂代码库或复杂图形模型的行为是不可解释的，尽管你可以在局部读取它所做的任何部分。它在特定情况下可能是*可调试的*，但这同样适用于神经网络。 在我看来，"我们必须使用可解释的方法"这一说法是不可行的，这意味着你希望将自己限制在玩具模型上。

说深度学习“只是一堆矩阵乘法”就像说计算机“只是一堆晶体管”或图书馆“只是一堆纸和墨水”一样无知。 这确实是事实，但编码底层结构在这里是最不重要的部分。真正有趣和有用的是被编码的程序：它们能做什么，不能做什么，泛化能力如何，学习效率如何，等等。

不确定在我有生之年，美元通胀是否会再次低于2%。