All Posts

集團五個廠區都想要更強的辨識模型,但監視器影像涉及個資與商業機密,誰都不能把資料交出去——資料孤島撞上模型品質,這是企業 AI 最現實的僵局。本篇從零手刻 FedAvg:影像全部留在廠內,只有模型權重旅行。實測結果:現實程度的資料偏斜下,聯邦模型 0.960 幾乎貼平集中式上限 0.990,而各廠自己練只有 0.835;但誠實打臉也很痛——極端偏斜(每廠只看得到兩種類別)時 FedAvg 崩到 0.363,客戶端漂移是它的著名死穴。

一位年資深、教育訓練滿分的作業員為什麼出事?因為答案不在他身上——黑心保養商偷工,機台變危險,操作它的人跟著遭殃:風險藏在關係網「隔兩層」的地方,就像「朋友的朋友」。本篇從零手刻 GCN(不用 PyG),在合成的「承攬商-機台-員工」三層圖譜上實測:只看員工自己的 MLP AUC 0.550、只看一層(機台)的手工特徵 0.596(貼死「只看一層」的理論天花板 0.599),而看得到兩層的 GCN 直接跳到 0.896——真相隔幾層,看不到那麼遠的模型就是找不到。

模型答錯的時候,信心分數照樣可以是 0.98——這是所有「AI 建議、人類決策」系統的地基問題:到底哪些案子該交給人?本篇實測兩把工具:溫度校準把說謊的信心分數扳回誠實(ECE 0.186 → 0.008,而且我們的小模型竟是「信心不足」而非過度自信);Conformal Prediction 給出帶統計保證的預測集合——恰好一個候選就自動放行(92.7% 的畫面,準確率 0.982),空集合就交人工。最後誠實打臉:鏡頭一髒,90% 保證無聲死亡,45.3% 的畫面仍被自動放行、正確率只剩 0.219。

邊緣攝影機的盒子裡沒有 GPU,記憶體以 KB 計價,雲端訓好的模型根本塞不進去。本篇實測模型壓縮三招:知識蒸餾(讓小模型抄大模型的軟答案)、剪枝(拔掉九成權重)、量化(FP32 變 INT8)。結果誠實到反直覺:蒸餾在小資料上五組配方全數打平沒賺、小模型量化直接崩盤;真正的贏家是「壓縮大模型」——剪 90% 還有 0.833,把同尺寸的小模型(0.583)遠遠甩開。

傳統分割要為每一類危險物標一堆像素遮罩,且只認訓練過的類別;但溢出的油、掉落的貨、積水的地面千奇百怪,標不完。SAM 換掉整個提問方式:不綁類別,做「可提示 (promptable)」——你點一下、框一下,它就把那個東西的邊界描出來,沒看過的物件也行。本篇在筆電 CPU 上從零手刻 mini-SAM,忠實重現它的解耦架構(影像編碼一次、每個提示便宜解碼),在沒見過的場景上點提示分割拿到 mean IoU 0.949,並示範 SAM 招牌的「segment everything」自動全分割。

傳統偵測器想搜「沒戴安全帽的人」,得先定義類別、標一堆框、訓練一個專用模型。CLIP 換了個玩法:把 4 億組圖文配對丟進兩座編碼器,逼影像與文字住進同一個向量空間——從此打字就能搜圖,不需為每個新概念重訓。本篇在筆電 CPU 上從零手刻 mini-CLIP,實測驚喜與誠實並存:文字搜圖連「訓練時沒配過的組合」都命中 (P@5=1.00);但反過來要模型幫沒見過的組合命名時,它卻把概念「抹散」了——一堂關於組合式零樣本能到哪裡的實驗課。

標一張畫面要錢,監視器每天卻吐上萬張沒人標。自監督學習讓資料自己出考題:SimCLR 逼「同一畫面的兩個視角要相似」,DINO 用師生自蒸餾連負樣本都省了。本篇在筆電 CPU 上完整重現,實測驚喜與打臉並存:每類只給 1 張標籤時 SimCLR 海放原始像素 12 個百分點;但數字太簡單,標籤一多 raw pixels 就追平;精簡版 DINO 學得動卻明顯落後——一場關於「省標籤到底能省多少」的誠實實驗。

透過 SEC 10-K 與 DEF 14A 官方文件，深度拆解百事可樂的核心業務與高管薪酬結構。結合晨星五大護城河理論分析其壁壘，並透過財務指標與 DCF 模型評估其背後的投資價值。

透過 SEC 10-K 與 DEF 14A 官方文件，深度拆解 CrowdStrike 的核心業務與高管薪酬結構。結合晨星五大護城河理論分析其壁壘，並透過財務指標與 DCF 模型評估其背後的投資價值。