原创 硅谷王川 investguru 2018-01-27
1/ 可以把知识的深度，看成是神经网络的每一个层级的宽度。而知识的广度，相当于神经网络的层级的数目 （或者深度).
2/ 所谓深度学习，本质上就是神经网络层级更多，也就是知识的广度更大.
3/ 这里的用词可能产生歧义，把人搞糊涂。因为
神经网络的深度 = 知识的广度
神经网络的宽度 = 知识的深度
可以参见笔者的老文章
4/ 知识的广度好，还是深度好， 完全取决于场景，和要解决的问题。衡量这个好坏的定量标准，类似于深度学习中的成本函数 (cost function)
5/ 知识深度的重要性，在于明确了某个阶段性的小目标时，可以深挖精进。初入职场的新人，大脑一片空白，在相关领域拓展知识的深度，更为重要.
6/ 但过了某个临界点，继续深挖的边际效应不断减弱，甚至存在过度拟合 (overfitting) 的问题。过度拟合，意指用自己狭隘的知识，试图解释超过自己知识面覆盖的现象，并自圆其说，沾沾自喜，自欺欺人。
比如十四世纪欧洲的黑死病爆发，巴黎大学的学者，一本正经的写论文说瘟疫爆发是因为当时火星和木星靠得比较近。
再比如, 华尔街基金经理的各种一本正经通过回测检验的量化策略模型.
7/ 许多复杂问题的解决，需要的是不同领域的知识的吸收，知识的广度就开始变得重要.
8/ 许多时候我们甚至都不知道要解决什么问题，不知道如何定义 cost function, 因此对于知识的广度的探索尤为重要.
9/ 知识的广度的拓展，开启了各种可能性的指数级的增加。 知识深度的平均值，相当于指数的底数 (base)。 知识广度的数量，相当于指数幂 (exponent)。在底数值已经接近过度拟合的状态时，加大指数幂，一本万利.