大数据与大算力驱动的想象空间像托马斯·萨金特，就是那个教机器学习、认识世界的人。

       从经济学到机器学习，不变的是对数据奥秘的发现力。本质上，现在的经济学就是用数据、模型认识世界、解释世界，进而提供各类决策建议的。

近几年的人工智能热潮，很大的驱动力来自GPU的广泛应用，以及计算因此变得更快、更有效，而且成本低廉。伴随者广泛的应用，各种形式的海量数据的涌现，相应的存储能力，也使得数据应用的前景变得空前明朗。

显然，大数据与大算力所带来的想象空间是无界的，正如任何一次重大的技术革命，其影响之广泛总是超乎想象。如今尽享数据与算力之便的机器学习，就是突破想象空间的原点。

从更多的数据、更强的算力，到更好地在机器学习领域处理数据，基于信息理论的各种模型，一直在其中发挥关键作用，从而体现出机器学习的优势。利用模型来认识世界，不是新事物，如果模型包含了“不可数的参数空间”，机器是没有办法学习的。不过，在大数据、大算力的加持之下，如今信息理论在这方面可以发挥的作用更大了，即基于信息理论的核心概念“信息熵”，用“最大熵”原则去指导机器学习的发展方向，而这样的计算在机器学习领域对应着非常漂亮的公式，正是机器学习的优势所在。

现实世界并不是理想的、理性的，这个问题对合理模型的构建提出了挑战。模型可能不是尽善尽美的，有一些问题的，但是依靠大数据、通过（界限值的）对比（或参照），我们还可以进行相应的选择。

     漂亮的函数和模型永远不会缺席，作为处理数据的方法和工具，人工智能时代的机会，可能就藏在对它们的赞美之中。人工智能代理模型越接近理性预期模型，人工智能代理就越智能化。人工智能细化和促进了理性预期模型。

（转载片段，如有侵权，请联系删除）