大家怎么看Rudolf Kalman的学生Yutaka Yamamoto回忆卡尔曼之及时同样段话？

伟大的学者 如牛顿 如卡尔曼 研究的是问题的本质 而不是弄个model和观察到的现象差不多就行了。 而引入不必要不相关的假设是不能帮助发现本质的。QND财富国际

举个例子，托勒密研究行星模型的时候，并不考虑其运动的实质，而是假设他们的轨道是圈圈套圈圈，最后他弄了几十个圈圈套在一起的模型以后，发现和天文观测的结果差不多了。那天体运动的实质呢？没人知道。 后来牛顿在几个经典力学公理的前提和万有引力公理下，用数学证明了太阳引力下其他天体的运动会是圆锥曲线 这个问题就漂亮的解决了。牛顿解决这个问题是因为他从问题的本质入手的（基本公理+数学演绎）。QND财富国际

用今天的话说，托勒密就在搞machine learning，圈圈套圈圈叫model, 天文学的观测结果就是data set，托勒密做了个人工learning凑了下模型结构和参数，并在测试集上做了验证。QND财富国际

说到ML和kalman filter，一个很大的问题就是统计学的咸猪手 越深越长 许多cs的论文，似乎已经默认所有扰动，输入变量，都是随机变量，所以有统计特性。于是之后的讨论完全在统计学的框架下做。这就是一个最大最肤浅的假设。难道说如果输入数据不是随机变量，整个算法就垮了吗？ 如今好多cs的材料上讲kalman filter， 都用graph model和贝叶斯估计以及高斯分布来解释。然而我们没理由认为观测中的扰动和不确定项是个随机过程。事实上能观的条件下，卡尔曼观测器的严李雅普诺夫函数保证了输入状态稳定，这个结论只依赖于扰动的范数有界和能观性，因此要本质的多。然而似乎随着毕业博士生的不断增多，整个学界越来越以论文驱动，许多人争相恐后发论文的时候，追求问题本质的学术思维也就没有了。QND财富国际