Ai相關

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。

新員工到職只有一張註冊照，分類器束手無策——因為門禁要的不是「認得誰」，是「會認人」。本篇介紹度量學習：Siamese 雙塔架構、Contrastive 與 Triplet Loss、FaceNet 的難例挖掘，並完整公開一段訓練踩坑實錄：從輸給 30 年前的特徵臉，到嵌入塌縮，再到 BatchNorm 逆轉登頂。

把影像切成 16×16 的拼圖、當成一句話丟進 Transformer——ViT 用這個粗暴的想法挑戰了 CNN 三十年的視覺霸權。本篇用廠房混凝土裂縫巡檢資料實測四路對決：從頭訓練的 CNN vs ViT、預訓練探測的 ResNet vs ViT-Tiny，親眼見證「歸納偏置」與「大規模預訓練」的世紀交鋒。

一般模型問「會不會出事」，存活分析問「多久內會出事」。本篇介紹醫學統計的鎮山之寶——Kaplan-Meier 曲線與 Cox 比例風險模型，用 600 名新進作業員的首次工傷資料，找出職災風險窗口、量化速成訓練的代價，並揭露一個天真統計會踩死的陷阱：刪失資料。

工傷件數有淡旺季嗎？安全改善計畫真的有效嗎？本篇用十年月度工傷資料實測兩大時序模型：統計學派的 SARIMA 與 Meta 開源的 Prophet。實驗跑出一個殘酷的劇情：預設參數的 Prophet 輸給「直接抄去年同月」的天真基準——以及如何用元件圖診斷、調參逆轉的完整過程。

職災預測最大的敵人不是模型不夠強，而是資料天生不平衡：97% 準確率的模型可能漏掉四分之三的事故。本篇介紹兩大對策——資料層的 SMOTE 合成採樣與損失函數層的 Focal Loss，並用實驗揭露一個反直覺的真相：它們改變的往往不是模型的能力，而是決策的立場。

職災通常不是天降橫禍，而是「異常操作」累積的結果。本篇介紹異常偵測三大經典演算法：Isolation Forest 的隨機切分哲學、One-Class SVM 的正常邊界學派、LOF 的局部密度比較法，並以射出成型機的操作行為資料實戰演練。

「AI 公司 30 天」系列收官總結：從 29 篇、五十多家公司的分析中，提煉 AI 行業的護城河真相——為什麼模型是耗材而非資產、算力是誰的護城河、什麼樣的數據才算壁壘、生態如何成為終極答案。附投資人視角的護城河分層框架、八條反覆驗證的行業規律，與 2026 下半年的觀察清單。

深度解析讓 AI 模型「長出手腳」的 Agent 工具層生態：獨立框架 LangChain/LangGraph 的獨角獸之路、Anthropic MCP 如何成為 AI 界的 USB-C、巨頭 SDK（OpenAI/Microsoft/Google）的圈地戰、以及 Agent 產品公司 Manus 被 Meta 收購又遭中國史上首次 AI 安全審查擋下的地緣大戲。