已验证65% 置信观点精确时间
当前大多数深度学习模型缺乏反事实推理能力，导致在分布外场景中表现骤降
3
来源数
65%
置信度
中期 (~90 天)
时效性
2026/7/21
首次发现
有效期至：2026/10/19
来源
相关事实
待验证可解释性与模型性能之间往往存在权衡：更可解释的模型可能在预测精度上有所牺牲，而高精度的深度学习模型往往更难解释78% 相似待验证专项优化的AI模型在特定领域可能表现不及通用基础模型，这与深度学习中的灾难性遗忘现象有关77% 相似待验证深度学习AI系统在训练数据分布之外的场景中表现会急剧下降（分布偏移问题），对罕见疾病的识别能力不如经验丰富的专家76% 相似待验证真实世界证据存在固有局限，包括数据缺失、编码不一致、选择偏倚、混杂因素难以完全控制，AI和机器学习不能消除数据本身的偏倚。75% 相似待验证传统统计学的三大支柱——可解释性、不确定量化与因果推断——在深度学习主导的范式下面临根本性挑战，传统置信区间和假设检验框架难以直接套用，因果推断因模型主要捕捉相关性而边缘化。75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/576920API
curl https://kongchang.com/api/v1/knowledge/claims/576920MCP
get_claim(id=576920)