O duplo descenso mostra que a Crítica de Lucas se aplica apenas localmente. Ou seja, o erro do modelo aumenta com mais parâmetros até um certo ponto ("overfitting"), mas depois diminui com mais parâmetros. Foi um erro para a economia simplificar modelos para um suposto ajuste fora da amostra — basta continuar!

Outro tópico divertido de ML é "grokking", no qual os modelos mudam de sobreajuste para generalização de forma bastante abrupta. Se você é @alz_zyd_, eu suponho que você diga que este é o sinal de que o modelo é apenas um ser pensante e começa a grok.