模型可解釋性並不是你使用哪種機器學習方法（哪種模型基底，例如神經網絡與圖形模型或符號代碼）的问题。任何基底在模型足夠小的時候都可以是可解釋的。這純粹是一個模型大小/複雜性的问题。 複雜代碼庫或複雜圖形模型的行為是不可解釋的，儘管你可以在局部讀取它所做的任何部分。它在特定情況下可能是*可調試的*，但這同樣適用於神經網絡。 在我看來，"我們必須使用可解釋的方法"這一說法是不可行的，這意味著你希望將自己限制在玩具模型上。

說深度學習「只是一堆矩陣乘法」就像說計算機「只是一堆晶體管」或圖書館「只是一堆紙和墨水」一樣無知。 這確實是事實，但編碼底層結構在這裡是最不重要的部分。真正有趣和有用的是被編碼的程序：它們能做什麼，不能做什麼，泛化能力如何，學習效率如何，等等。

不確定在我有生之年，美元通脹是否會再次低於2%。