一句话定义：奥卡姆剃刀（Occam's Razor）是一条方法论原则：如果两个假设能同样好地解释同一现象，优先选更简单的那个。它不是“简单一定对”，而是“别没必要时加戏”。
打个比方：钥匙不见了。A：掉进沙发缝。B：外星人偷走、复制一把、还黑掉监控。两者都能解释，但先找沙发；除非有异常证据，才升级到 B。关键是“解释力打平”时才比简单，不是无视证据。
在机器学习里：它常被译成“别用太复杂的模型”：参数少、阶数低、加 L2 正则（regularization）、剪枝、早停，以免过拟合（overfitting）。但简单过头会欠拟合（underfitting），所以它只是先验偏好，不是定律。
它不是什么：不等于“参数越少越好”，复杂度是有效复杂度；它不是模型选择算法；它和最小描述长度（MDL）相通——能把数据压得更短的假设往往更简单；也不与“无免费午餐”冲突：没有全能模型，只有更匹配归纳偏置（inductive bias）的模型。
| 视角 | 传统理解 | 现代神经网络 |
|---|---|---|
| 简单 | 参数少、阶数低 | 有效自由度低、描述短、偏置匹配 |
| 证据 | 训练误差小 | 测试/分布外表现、稳健性 |
| 风险 | 复杂会过拟合 | 欠拟合和过拟合都可能 |
过参数化与双下降：经典偏差-方差说，复杂度上升，测试误差先降后升，呈 U 形。但深度网络常是过参数化（overparameterized）：参数比样本多，仍能记住训练数据并泛化。双下降（double descent）进一步显示，插值阈值附近误差先升，进入更过参数化区域又下降。所以参数量不是简单性的唯一标尺。SGD、初始化、架构、早停会带来隐式正则化，很多参数配置等价于同一个函数；真正重要的是有效假设空间多复杂、是否匹配数据规律。
今天怎么用剃刀：
1. 简单是相对的：两个模型表现相近时，选更易解释、更省算力、更稳的。
2. 简单不是小：大模型若被强归纳偏置约束、可压缩、可蒸馏，其“有效解释”可能并不复杂。
3. 别把双下降当“越大越好”的免死金牌；泛化要靠验证、正则、分布外测试和可复现比较。普通人先试最简单解释，有新证据再升级假设。