人工智能参数更少，不能当成已经更简单。描述更短，也不能。这种对应只在规则很整齐的模型里成立：用不到的参数可以减掉，剩下的一个都不能乱动。网络不是这种形状。很多权重挪一挪，预测几乎不变。还有一些改动，表面更长，却能在小错出现时把答案拉回来。简单要同时看两列：拟合有多好，以及改一点权重或改一点输入，预测崩不崩。只报参数量，方案作废。

人工智能简单痛点在把整齐模型的尺子拿来量网络

整齐模型里，每个用到的参数都有代价，没用到的没有。所以少用几个，就更简单。这个直觉被讲成越短越好，再讲成参数少就更安全、更不容易乱学。网络里这个对应断了。复杂度要看数据，也要看有多少种写法其实是同一个预测。写法越多，解越退化，同样的拟合可以对应一个更便宜的解，尽管参数表看起来更大。

便宜的另一种样子是容错。一个短的做法，改一个符号就输出相反的东西。一个长一点的做法，同一处错几次，结果仍回到原答案。若简单只数字数，短的赢。若简单包含崩不崩，长的可以更简单。安全讨论若停在字数，会把脆的方案留成首选。

还有一层：训练喜欢什么样的解，和你事后数出来的参数量不是同一件事。你砍掉一半参数再训练，可能得到一个更脆的解，也可能得到一个更钝的解。不扰动就不知道。不扰动就写成更安全，是把整齐模型的故事套到了不整齐的东西上。

人工智能简单验收五步：拟合和退化分列、扰动权重、扰动输入、短和脆分开、参数量不得单独当结论

1. 每份方案写拟合和退化。退化用一句人话：哪些权重可以动而预测不变。
2. 抽一小撮权重做轻微改动。预测大变的，标脆，不许因参数少而放行。
3. 再对输入做同样小的改动。输入一变答案就翻，和权重大变是同一列。
4. 两个方案拟合接近时，比谁更不容易崩，不比谁字数少。
5. 对外句里若只有参数量或描述长度，整句退回。

上表里，简单不由第一列单独决定。第一列只是整齐模型留下的习惯。

人工智能现场怎么做这两下扰动

比较两个方案时，表格固定四格：拟合、能动而不改预测的范围、权重小改后的变化、输入小改后的变化。缺一格，不进入安全或上线讨论。我们见过把参数砍半写成更安全，砍完的那版对一个字的替换更脆，原版反而还能把答案拉回来。报告里只有参数量，脆没有出现。

扰动要小，并且事先写好看哪一个行为。看所有输出变没变，会混成噪声。看的行为空着，扰动不作数。不作数的扰动不能用来宣称已经比过简单。

容错列若只写我们加了重复计算，要指出重复之后小错还在不在。加了步骤但一处错仍翻答案，容错列是空的。空的就按脆记，不论步骤写了多少。

人工智能常见翻车是用砍参数代替看崩不崩

砍参数可以是正经的压缩。压缩之后仍要做两下扰动。没做就宣布更简单，压缩本身被当成了证据。证据应该是扰动结果，不是砍掉的那个数字。

另一类翻车是两个方案只比谁先拟合到。先拟合的可以更脆。时间短和简单不是一列。时间写在速度栏，简单写在退化栏和容错栏。

对外材料若把更简单改写成更安全，而容错列是空的，这句撤回。撤回前已经发出的，补上扰动结果，补不上就改回未比较。未比较的方案不得继续被引用成更安全的那一版。引用若已经出现在对外稿里，稿子和引用一起撤回。撤回说明只写缺了容错还是缺了退化，不写参数已经更少所以先用着。先用着若已经上线，上线范围缩回扰动之前的那一版，直到容错和退化两格补上。补上之前新增的调用按未比较记。未比较的调用若已进正式记录，记录改回候选，候选期间不再增加新的参数比较结论。新的结论若只写参数更少，结论直接作废，不作讨论。

结论：人工智能的简单要看改了崩不崩，不看参数表有多短

短可以脆。长一点也可以更钝、更经得起小错。两列不写，参数量只是一个习惯说法。

你下次说这个更简单，先写能动的范围，以及改一点输入会不会翻。两格空着，先不要用参数量下结论。

本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源