为何机器学习胜过传统统计公式？
传统统计擅长清楚、可解释的关系；但赛马场景里，档位、步速、班次、场地与市场资金往往互相纠缠。机器学习的价值，正是在这些纠缠里找出稳定可复用的模式，而不是先假设世界必须线性。
另一层好处在工程。AI 辅助写码、除错与实验管线，让研究团队更快试特征、更快验证假设。速度本身不是魔法，但在赛马日与赛马日之间，速度决定你能不能把想法变成可测试的模型。
- 更能捕捉高维、非线性的同场比较
- 特征与架构可迭代，而不必每次重写整套公式
- AI 加速工程，研究节奏更贴近真实赛事节奏
神经网络与人手写马经有何不同？
人手马经靠经验、语感与当日观察，写得出故事，也写得出信心。问题是：同一套判断很难在几百场、几千匹马上保持同标准，更难事后严格对照「当时到底用了什么资讯」。
神经网络反过来：它不替你讲故事，它在固定资料截点下，对同场马匹输出可比较的分数或机率。你失去的是散文式权威感；你得到的是可重复、可校准、可长期检讨的判断流程。两者不是互相取消，而是不同工具。
如何驾驭模型：过拟合与失控？
模型最容易失控的地方，不是「算得不够快」，而是「记得太熟」。过拟合就是把历史里的噪音当成真理：回测漂亮，一上真实赛前就崩。
驾驭的方法很实在：按时间切分训练与测试、锁定特征定义、分开回测与样本外、对机率做校准检查。Sigma Quant 的纪律，是不让模型只因为「今场讲中」就被捧成必胜机器。
- 用时间切分，避免未来资料泄漏
- 固定特征与版本，结果才可复核
- 样本外与即场表现分开看
- 漂亮回测不足以证明可控
LLM／AI Agent 与深度神经网络：别再混为一谈
公众常把「AI」看成同一样东西：会聊天的就是会预测的。其实大型语言模型（LLM）与 AI Agent 擅长语言、流程与工具调用；深度神经网络则是我们用来从结构化赛马资料学习胜率与排名的核心引擎。
把两者混用，最常见的误会是：问 ChatGPT「哪匹会赢」就以为得到了模型机率。语言模型可以写得像分析，却未必遵守同场互斥、资料截点与长期校准。Sigma Quant 把深度学习放在预测主干，语言类 AI 顶多当工程与整理助手——角色分清楚，才不会被华丽措辞带着走。