-深度学习读取大量“教师数据”，找到输入变量和输出变量之间的关系。如果我们知道这种关系，那么当我们输入新的数据时，我们就可以预测输出结果。为什么人类不能理解这个过程？

主要有两个因素。定性和定量分析。数量问题很简单。参数移动在深度学习内部：因为(参数信息，在系统内部移动)太大，很难把大量直观的数据和人的复杂联系起来，讲故事。现在很多人预测超过1亿个参数的输出。嗯，大概有一亿人会说话，我不知道。这基本上发生了。

-就大量变量而言，我认为你到目前为止已经处理了统计分析中的大量变量。

时至今日，即使有1000或2000个输入变量，统计分析的趋势仍然是选择许多真正需要预测的变量。因为我专门缩小范围，可以看到选中的变量，得到“这个变量很重要”之类的解释。如果我们把第20天的30个变量放长一点看，就可以把第10天的人的直觉和认知联系起来。

-有没有缩小对深度学习预测有用的变量？

这似乎很难。由于深度学习是参数和变量之间复杂的因果关系，因此不容易确定应该缩小哪个范围。实际上，举个例子，即使有一亿个参数，也可能有一些参数对输出真正有效。但是，似乎很难知道应该缩小哪个范围。

——所以我觉得一开始就不需要那么多变量。

如果只使用有用的变量和参数，这是非常容易的，但正如我所说，很难确定需要什么。由于这种先验约简是不可能的，深度学习将创建并运行一个包含不必要变量和参数的冗余系统。至少在实验中，已经证明这可以提高预测的准确性。另一方面，什么样的数据从一开始就应该变量较少，目前还没有完全搞清楚。我认为这是未来研究的一个很有前途的领域。

-如果你知道不确定意味着什么？

简而言之，这就是“深”，即它有一个深层次的结构。更何况数据转换是在数据输入层和输出层之间的“中间层”(*)中多次重复的。我们又说了，我们摆脱了人类的直觉，去了一个只有机器知道的世界。

*中间层(隐藏层):深度学习由输入数据的“输入层”、输入数据反复变换组合的“中间层”和输出数据的“输出层”组成。据说中间层越多，精度越高，但计算需要时间。