宇宙没有义务让人理解，但AI有义务被人，并帮助人理解！ —— David 9
一个AI模型，无论被工程师如何设计，它最终还是要和使用者交互，哪怕只是一个小小简单的判断分类问题。一旦它把判断结果信息传递给人类，人与机器之间的边界就变的难以划分。AI判断结果一定有错误信息（或AI够不着的问题），人类应该怎么处置？
当然，后一种更容易操作，把AI够不着的问题都留给人类解决，如医疗领域的SPIRIT-AI和CONSORT-AI协议，就旨在提供一套完善的医疗实验交互方针：
因为医疗临床实验需要更高规范和更低出错率。不仅仅是医疗，事实上，目前的多数领域的AI落地，交互，都需要大量的 继续阅读可解释，自解释，以及交互式AI的未来
“盾从防御看是美的，矛则从射击的敏捷和力量看是美的”
—— 苏格拉底
实验物理学家卢瑟福说过：“所有科学要么是物理，要么是集邮” 。相较其他学科，物理学也许对宇宙大一统的解释有一定的优越性。如在研究半衰期过程中就会被一种大自然的神奇所折服（弱核力）。
然而“集邮”并不是没有意义。苏格拉底说过，“盾从防御看是美的，矛则从射击的敏捷和力量看是美的”。不能因为深度学习理论薄弱，就去否认深度网络的实际效用。收集大自然的“邮票”加以利用也许成就感不那么高，但它可能非常有效 ，甚至在某些角度不乏美感。
比如在我们AI机器学习领域就有这样一种“集邮”学：其囊括遗传算法，进化策略算法（ES），粒子群算法（PSO），多数都是以模仿自然为依据，还有一个流行好听的称呼：无梯度优化算法（gradient-free，derivative-free）（facebook开源的Nevergrad库也是来自这种优化方法）
这些“离经叛道”的优化算法，不像SVM极具数学根基，但在某些场合非常适用：
拿粒子群算法（PSO）来讲，如上图，是粒子群在平面上找到极小值的过程，其本质是模拟了群鸟飞行或群鱼相互协作的搜索过程：
其核心公式也是贯彻了相互协作的原则：
其中vi(t+1)是下一个时刻的粒子速度，它由三个因素决定：
继续阅读AI界的集邮学？回眸ES，粒子群PSO，遗传(进化)算法，GA等无梯度优化方法
