机器学习很强大，但绝对不是说所有的东西都是可学习的。很多的股票爱好者经常说股票数据现在都是公开的，能不能做一个模型，告诉我明天该买什么股票。这里面还有很多问题，不是说有数据一定能学，至少不一定能学好。第一，特征信息不充分。一些很重要的特征信息，如果没有获得，很难做好。第二，样本数据很少，也不太可能做很好的预测。比如很多人都说地震预报没有效果，根本原因还是数据太少。真正在地层里打下洞获得各个地层岩石样本的数据很少，恰恰打过的洞，收集过的数据，这个地方又发生过地震的是罕见的。所以要么是发生过地震，但我不知道这个地方到底什么样，要么是我知道这个地方怎么样，但是没发生过地震。这些数据全加起来，可能也只有几十个、百把个。这对建一个有效的模型还远得很。所以今天要做类似地震预测的事情，科学道理是有的，但是数据的准备远远没有达到能做有效的预测的程度。

机器学习能做一些事，但有些事情不能做。一件事情到底能做成什么样，不能做成什么样，有没有办法从理论上研究？如果没有很好的理论，那么这个领域不可能成为一个学科（science）。机器学习领域有一个分支叫“计算学习理论”，研究的是说当你给我数据之后，我做这个结果到底能做得多好。它的提出者是莱斯利·威廉特教授，2010年图灵奖得主。他在1984年的时候发表了一篇论文，提出了“概率近似正确”模型。搜集到的数据就是X，做的模型是f（X），真正期望的理想结果是Y，希望做到的模型和期望的结果差距非常小，小于Э，这就是说做到的模型非常精确。但这个模型不是每次都做得这么好，希望的概率是大于1减δ。你给我数据之后，我能做到的最好的事情是以很大的把握得到一个很精确的模型给你，你绝对不能指望我做到百分之百，也不能指望我每次都能做到百分之百。因为你给我的数据可能已经决定了我没有办法达到理论上的上限。