大數據與大算力驅動的想象空間像托馬斯·薩金特，就是那個教機器學習、認識世界的人。

       從經濟學到機器學習，不變的是對數據奧秘的發現力。本質上，現在的經濟學就是用數據、模型認識世界、解釋世界，進而提供各類決策建議的。

近幾年的人工智能熱潮，很大的驅動力來自GPU的廣泛應用，以及計算因此變得更快、更有效，而且成本低廉。伴隨者廣泛的應用，各種形式的海量數據的涌現，相應的存儲能力，也使得數據應用的前景變得空前明朗。

顯然，大數據與大算力所帶來的想象空間是無界的，正如任何一次重大的技術革命，其影響之廣泛總是超乎想象。如今盡享數據與算力之便的機器學習，就是突破想象空間的原點。

從更多的數據、更強的算力，到更好地在機器學習領域處理數據，基于信息理論的各種模型，一直在其中發揮關鍵作用，從而體現出機器學習的優勢。利用模型來認識世界，不是新事物，如果模型包含了“不可數的參數空間”，機器是沒有辦法學習的。不過，在大數據、大算力的加持之下，如今信息理論在這方面可以發揮的作用更大了，即基于信息理論的核心概念“信息熵”，用“最大熵”原則去指導機器學習的發展方向，而這樣的計算在機器學習領域對應著非常漂亮的公式，正是機器學習的優勢所在。

現實世界并不是理想的、理性的，這個問題對合理模型的構建提出了挑戰。模型可能不是盡善盡美的，有一些問題的，但是依靠大數據、通過（界限值的）對比（或參照），我們還可以進行相應的選擇。

     漂亮的函數和模型永遠不會缺席，作為處理數據的方法和工具，人工智能時代的機會，可能就藏在對它們的贊美之中。人工智能代理模型越接近理性預期模型，人工智能代理就越智能化。人工智能細化和促進了理性預期模型。

（轉載片段，如有侵權，請聯系刪除）