哲学家最近专注于批判性的认识论挑战，这些挑战是由深神经网络的不透明性引起的。从这本文献中可以得出结论，即使不是不可能，使用不透明模型进行良好的科学是极具挑战性的。然而，这很难与最近对科学的AI乐观情绪的繁荣以及最近受AI方法驱动的一系列科学突破的泛滥。在本文中，我认为，哲学悲观和科学乐观主义之间的脱节是由于未能研究AI实际在科学中的使用而驱动的。我表明，为了理解AI驱动的突破的认知理由，哲学家必须研究深度学习的作用，这是发现更广泛的发现过程的一部分。在这方面，“发现背景”与“理由背景”之间的哲学区别在这方面很有帮助。我证明了与科学文献中有两个案例进行这种区别的重要性，并表明认知不透明度无需降低AI的能力，使科学家带来了显着且合理的突破。

分类器的合奏结合了几个单个分类器，以提供最终的预测或分类决策。一个越来越令人发指的问题是，此类系统是否可以胜过单个最佳分类器。如果是这样，哪种形式的分类器合奏（也称为多个分类器学习系统或多个分类器）在合奏本身的规模或多样性中产生最重要的好处？鉴于用于检测自闭症特征的测试是耗时且昂贵的，因此开发了一种将提供最佳结果和测量自闭症谱系障碍（ASD）的系统。在本文中，评估了几个单一和后来的多个分类器学习系统，以预测和确定影响或有助于ASD的因素出于早期筛查目的的能力。行为数据和机器人增强疗法的3,000次课程和300小时的数据集，该疗法被记录为61名儿童。仿真结果表明，与单个分类器相比，多个分类器学习系统（尤其是每个集合具有三个分类器的人）的优越预测性能，可以通过装袋和增强获得出色的结果。看来，社会交流手势仍然是儿童ASD问题的关键因素。