信源的「可信度」竟然是可以测量的，AI底层原理中也少不了它。判断「阿波罗计划」是否造假，可以⽤「信源等级」的科学思维去考虑，帮助我们做出选择。简单来说，就是我们把发表正反双⽅观点的信源都列出来，然后综合对⽐⼀下这些信源的可靠度的等级，⼤概率来说，信源等级越⾼的观点，越值得我们信任。
关于美国载⼈登⽉是真是假的正反⽅观点的信源等级是5级对9级，这个落差是⾮常⼤的。所以，在⾯对⼀些专业问题时，我们可以通过信源等级的⽐较，来判断选择哪⽅观点正确的可能性更⼤。这是⼀条⽐较通⽤的科学思维，对于任何专业性⽐较强的问题，这条科学思维都适⽤。
关于信源可靠度的话题，还远没有结束，它背后竟然还蕴含着⾮常⾼深的数学原理。正如你们看到的，我把信源分成了若⼲个等级，然后宣称，等级越⾼的信源，它的可信度也就越⾼。那么，较真的⼈可能会追问：这个所谓的「可信度」是可以被测量的概念吗？如果它根本就不是⼀个可测量的指标，那你凭什么说这个信源的可信度要⽐另外⼀个信源的可信度⾼呢？凭你⾃⼰的直觉，拍脑袋拍出来的吗？
这其实是⼀个⾮常好的问题，它也是⼀条科学思维，叫做“没有测量，就没有科学”，当我们要给⼀样东⻄定量的时候，必须要说明它的测量⽅法是什么，并且是可以操作和计算的。那么信源「可信度」这个指标，能不能测量呢？答案是：能。
「似然值」在⼈⼯智能的训练⼯程中⼜起到了什么作⽤呢？
之所以会有似然值，本质上是我们把客观世界⾥的各种属性特征分成了两类，⼀类是可以直接观测到的属性，⽐如前⾯提到的硬币落地后的朝向，⼀篇⽂章的准确程度，还可以是图⽚⾥的内容到底是猫是狗等等；另⼀类是没有办法直接观测到的属性，⽐如硬币的固有概率值，信源的可信度，还有就是⼈⼯智能模型⾥的参数值等等。
在⼈⼯智能领域，这部分不可直接观测得到结果的属性，往往也被称作是「隐变量」，⼀个「隐变量」的所有可能性组成了⼀个空间，叫做「潜空间」。
现在的⼈⼯智能模型也的确是这样做的，总是去追求似然值最⼤，更专业的说法叫做「最⼤似然估计」。不论是是现在最流⾏的多层感知机模型，还是深度⽹络流⾏之前的⽀持向量机模型，还是上⼀期介绍过可能挑战多层感知机地位的 KAN ⽹络，它们背后都以⼀个隐藏⽬标，就是训练出⼀组模型参数，能够让似然值尽可能的⼤。