在哪識別說AI到底聰明機人臉起從手
我要评论那些檢測器裏的到底數字 ，是聪明从手數字。什麽是机人"鼻子"。發現了很多有意思的脸识東西，要理解這件事 ，别说歡迎分享+關注 。到底神經網絡的聪明从手概念在 1940 年代就有了 ，數字越大 ，机人和正確答案對比 ：
- 如果猜對了——不錯 ，脸识
就像考試之後對答案 ：
- 最終結果錯了
- 是别说因為最後一步的某個數字偏了
- 那個數字偏了，到底
到底
那為什麽到 2012 年才突然成功 ？聪明从手
因為三個條件終於同時湊齊了 ：
1. 數據
2009 年 ，所謂檢測器 ，机人
還有一些 ，脸识自己找到了有用的别说規律 。斜線 、一個管上下——就能找到圖片中任意方向的邊緣 。然後全部相加 ：(10×-1) + (10×0) + (10×1) +(10×-2) + (10×0) + (200×2) +(10×-1) + (200×0) + (200×1)= -10 + 0 + 10 + -20 + 0 + 400 + -10 + 0 + 200= 570結果是 570 ，沒有邊緣 。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色 ，當時售價 499 美元） ，
重複這個過程幾百萬次 。
解決方法是 ：疊加很多層 。會自己變成有意義的檢測器。這個檢測器也是 9 個數字 ：
-1 0 1-2 0 2-1 0 1這個檢測器有個名字 ，三角形 、等於什麽 ？
參考資料
- Sobel operator - Wikipedia — Sobel 算子由 Irwin Sobel 和 Gary Feldman 於 1968 年在斯坦福人工智能實驗室提出
- A logical calculus of the ideas immanent in nervous activity - McCulloch & Pitts (1943) — 第一個神經元數學模型 ，取名 AlexNet（Alex 的網絡） 。說明邊緣越明顯 。需要給電腦看幾百萬張人臉照片，比如 ，把那個數字調大一點
- 如果變大——反過來 ，49000 名標注工人來自 167 個國家
- Large-scale Deep Unsupervised Learning using Graphics Processors - Raina, Madhavan, Ng (2009) — GPU 訓練神經網絡比 CPU 快約 70 倍
- NVIDIA GeForce GTX 580 - VideoCardz — GTX 580 於 2010 年 11 月發布 ，
從邊緣到形狀 ：AI 卡了幾十年
找到邊緣之後呢？
1968 年的 Sobel 算子能找到邊緣 ，而今天的大型模型，
2. 算力
訓練一個模型，他們第一次用數學來描述神經元的工作方式 。發表於 Nature
- ImageNet: A Large-Scale Hierarchical Image Database - Deng, Dong, Socher, Li, Li, Fei-Fei (2009) — ImageNet 數據集論文 ，它怎麽找到邊緣 ？
答案讓我很驚訝 ：隻用簡單的加減乘除就能做到 。所以還能匹配上 。同步更新在個人博客和微信公眾號
微信搜索"我沒有三顆心髒"或者掃描二維碼 ，
而關鍵是 ：每一層的檢測器裏的數字，說明邊緣越明顯 。嘴巴（兩條曲線）
- 第四層檢測器
：把部件組合成整體——人臉
、表情——這些讓一張臉變得獨特的要素 。這些小點叫像素——你把手機照片放大再放大 ，上百層 ，
這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置 。Graphics Processing Unit ，一張 1000×1000 的照片 ，兩個檢測器都會給出非零結果 。就無法判斷對錯 ，層數很多的神經網絡 ，動用了來自 167 個國家的近 5 萬名標注工人，需要對幾百萬張圖片、是因為上一層的某個檢測器輸出偏了
- 那個檢測器偏了 ，
手機不知道什麽是眼睛、
一堆數字 ，再傳給下一個 。至今已經用了半個多世紀。中間一行全是 0 。一層一層往回追溯，
整個網絡包含 6000 萬個可調整的數字 。證明在特定任務上，就是一串能代表你長相特征的數字）
- 比較：把這個數字指紋和你第一次錄入時存下的數字指紋做比較
- 判斷 ：如果兩組數字足夠接近——解鎖
整個過程沒有任何"理解" 。GPU 算力、右邊一列全是正數 ，它輸出"60% 可能是貓" ，
2009 年，
訓練：電腦怎麽知道該往哪調？
你可能還記得前麵留下的那個問題 ：猜錯的時候 ，但核心識別原理——把采集到的數據變成數字、貓臉 、第一層隻能看到線條 ，6000 萬參數 ，
讓我用一個簡化的例子來說明 。後 3 層負責把前麵提取到的所有信息匯總起來做最終判斷（叫"全連接層"——你可以把它想象成"匯總投票" ，
這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文 ，識別簡單形狀——圓形 、也就無法調整那些數字 。
-1 0 1-2 0 2-1 0 1當它掃描圖片的一個區域時 ，
圖片: 檢測器:100 100 100 -1 0 1100 100 100 -2 0 2100 100 100 -1 0 1計算 ：(100×-1) + (100×0) + (100×1) +(100×-2) + (100×0) + (100×2) +(100×-1) + (100×0) + (100×1)= -100 + 0 + 100 + -200 + 0 + 200 + -100 + 0 + 100= 0結果是 0 。
至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大 ，
- 如果左右兩邊顏色一樣——正數和負數互相抵消 ，
科學家們嚐試了很多方法 ：
- 有人試著寫規則 ："如果有兩個圓形在上麵
，
- 如果上下顏色一樣——結果是 0（沒有水平邊緣）
- 如果下麵比上麵亮——結果是正數（有一條水平邊緣）
兩個檢測器配合使用——一個管左右 ，
不過你可能發現了，處理一下、它自己發現了"檢測邊緣有助於區分貓和狗" 。
如果我們換一塊顏色完全相同 、是電腦自己從數據裏學出來的 。
有的變成了邊緣檢測器（類似 Sobel 算子——電腦自己"發明"了類似的東西） 。
這就是"訓練"。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，中間一列全是 0 。我後麵會專門講 。你會看到一個讓我非常震撼的例子 ："國王"減去"男人" ，而不是死記每張圖的細節） 。
三個條件——海量數據、
疊加 ：從線條到人臉
但一層檢測器還不夠 。
電腦沒有被告知"要檢測邊緣"。鼻子（一個三角形輪廓） 、而是有一套精巧的方法能算出每個數字該往大了調還是往小了調 。就要比較左右兩邊的亮度"，就 9 個像素 ，怎麽可能認出一張臉 ？
第一個線索 ：邊緣
什麽是邊緣 ？就是照片裏顏色突然變化的地方。它有 8 層 。
想象這樣一個過程 ：
- 第一層檢測器
：從原始像素中找到各種邊緣——橫線 、測量臉的立體形狀 ，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你
。
讓我把完整的過程串起來 ：
- 采集麵部數據 ：手機用攝像頭和傳感器采集你的麵部信息 ，眼睛也是 ：眼白是淺色的，"這是汽車" 。最終這個數據集包含了超過 1400 萬張標注好的圖片 ，
你看 ，每張都貼好標簽——"這是貓" 、ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，背景可能是深色的 ，
彩色照片稍微複雜一點 ：每個像素需要三個數字 ，用它來學習的方法 ，無數種角度 、不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、叫神經網絡 。5 次都猜錯才算錯）——領先超過 10 個百分點 。
這就是電腦"看到"的東西 。排成 3×3 ：
10 10 1010 10 20010 200 200左上角是深色（數字 10 ，得先回答一個基本問題：電腦看到的"照片"長什麽樣？
一張照片是由很多個小點組成的 ，其中前 5 層做的就是我們前麵演示的操作——用檢測器在圖片上滑動 、隻是方向變了 ：它比較的是"下麵的亮度 - 上麵的亮度" 。這些"正確答案"是電腦學習的前提——沒有答案 ，我們得先搞清楚一個更基本的問題 ：手機到底是怎麽"人臉識別"的 ？
答案要從一個讓人意外的事實說起——
你的手機看到的不是一張臉 ，手機往往就不認識你了 。電腦的"大腦" ，而顏色在電腦裏是用數字表示的 。
所以當你拿手機對著自己的臉 ，變成幾百萬個數字（說明一下 ：現代手機的人臉解鎖不隻靠普通攝像頭——比如 iPhone 的 Face ID 會用紅外線在你臉上投射上萬個不可見的小點，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率 。其餘全是 0（暗） 。但換發型還能認出來 ？
因為口罩遮住了臉的下半部分——嘴巴 、現在你隻需要知道 ：電腦有辦法算出調整的方向和幅度 。層層疊加
- 提取特征：最後一層輸出一組數字——你可以把它理解為你這張臉的"數字指紋"（專業術語叫"特征向量" ，藍色的強度（也是 0 到 255）。
而訓練神經網絡恰好也是這種活——對幾百萬個數字做大量簡單的乘法和加法。
為什麽 2012 年才成功 ？
你可能會好奇 ：如果"讓電腦自己學"這個想法這麽好 ，
這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。就有 100 萬個像素 。
現在可以回答文章開頭的那個問題了 ：為什麽戴口罩手機就不認識你 ，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、看一眼屏幕 ，
一個現代的人臉識別模型可能有幾百萬到上億個參數 。汽車
- 采集麵部數據 ：手機用攝像頭和傳感器采集你的麵部信息 ，眼睛也是 ：眼白是淺色的，"這是汽車" 。最終這個數據集包含了超過 1400 萬張標注好的圖片 ，
像素 → 邊緣 → 形狀 → 部件 → 整體
每一層都是在上一層的基礎上 ，在 AI 領域有一個專門的名稱 ，你能看出來這是一個十字形嗎 ？——中間一橫一豎的數字是 200（亮），把那個數字調小一點
每次調整的幅度都很小（比如 0.001） ，結果是正數（有一條從暗到亮的邊緣）
- 有人試著寫規則 ："如果有兩個圓形在上麵
，
- 如果左邊比右邊亮——負數那邊貢獻更大 ，到達一個"很少出錯"的狀態 。隻用加減乘除 ，
核心突破：讓電腦自己學
還記得前麵的 Sobel 算子嗎 ？
-1 0 1-2 0 2-1 0 1這 9 個數字是人類設計的 。弧線
- 第三層檢測器：把形狀組合成部件——眼睛（兩條弧線圍成的橢圓） 、是因為裏麵的某個數字該大一點
電腦會計算 ：如果某個檢測器裏的某個數字稍微變大一點 ，叫做反向傳播——1986 年由 Rumelhart 、結果是負數（有一條從亮到暗的邊緣）
差異越大 ，什麽是"眼睛"，綜合判斷最終結果） 。
為什麽這個檢測器能工作 ？
你可能會好奇：
-1, 0, 1, -2, 0, 2, -1, 0, 1這幾個數字是怎麽來的？為什麽這樣排列就能檢測邊緣？讓我解釋一下它的邏輯 。就是"深度學習" 。人類知道"要檢測垂直邊緣 ，
有的變成了紋理檢測器 。那次突破有多震撼 ？在 ImageNet 圖像識別比賽中，而是它從大量的對錯反饋中 ，這樣就不會被一張照片騙過去 。
怎麽用呢 ？把檢測器疊放到圖片上 ，訓練出了 AlexNet 。動輒幾十層 、斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集 。為什麽這幾個數字能檢測邊緣？先看看它怎麽用 ，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），這個係列就是我的探索筆記，你拿起手機，用普通電腦的 CPU（中央處理器 ，保持
- 如果猜錯了——調整那 9 個數字 ，
GPU 原本是用來生成（渲染）遊戲畫麵的 。是從幾百萬張人臉照片中"學"出來的 。豎線、把形狀變成部件 ，200 是亮色（接近白色） 。所以這幾層叫"卷積層"）。沒有人花這麽大力氣去收集和標注這麽多圖片 。它就是這樣一張表格 ：
0 0 200 0 0 0 0 200 0 0200 200 200 200 200 0 0 200 0 0 0 0 200 0 00 是黑色，幾千萬個參數反複做計算 。找到了邊緣，對應位置的數字相乘 ，
這是 「AI是怎麽回事」係列的第
1篇 。但永遠覆蓋不了真實世界的複雜性。就能得到每個位置的"邊緣強度"和"邊緣方向" 。結果的數字越大（不管是正還是負） ，我們先用一個更簡單的任務來說明這個過程——區分貓和狗 。這就是 AI 的"聰明" ：不是真的理解 ，人臉識別的學習過程完全一樣 。經過層層計算 ，
每天早上 ，AlexNet 將錯誤率從同年第二名的 26.2% 直接降到了 15.3%（這裏的"錯誤率"叫 top-5 錯誤率——給電腦 5 次機會猜圖片內容 ，
一個新的問題
理解了 AI 怎麽"認人"之後 ，但換了個發型，
反向傳播做的事情是 ：從最後的錯誤出發 ，
最簡單的情況是黑白照片 ：純黑是 0 ，
整個過程不到一秒。這可能要算好幾個月甚至幾年 。"神經網絡"名稱的起源
- ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文
，檢測器提取出來的數字指紋和你錄入時的差太遠了
。比如 ：
0.1 -0.3 0.50.2 0.1 -0.40.3 0.2 0.1用這個隨機檢測器去掃描圖片 ，但疊加四五層之後 ，為了建成 ImageNet ，然後比較兩組數字有多接近 。
神奇的事情發生了：那些原本隨機的數字，訓練這樣一個模型 ，從左到右顏色在變亮。
邊緣勾勒出了圖片裏"有東西"的地方。也就是你臉的輪廓 。我們來聊這個問題。它通過層層檢測器從數字中提取特征 。
一道簡單的數學題
假設我們有一小塊圖片 ，反向傳播算法在 1986 年就發表了 。
有的變成了顏色變化檢測器 。但電腦隻看到數字啊 ，top-5 錯誤率 15.3%
- AlexNet - Wikipedia — AlexNet 架構細節與參數量
- FaceNet: A Unified Embedding for Face Recognition and Clustering - Schroff, Kalenichenko, Philbin (2015) — Google 的人臉識別模型
，
比如下麵這個 5×5 的小圖 ：
在電腦裏 ，戴上口罩 ，
電腦用隨機檢測器算出一個結果，哪怕是一條 45° 的斜線 ，覺得不錯的話 ，花了大約 5-6 天，讓電腦自己學。能識別的東西就越複雜 。但眼睛 、對應位置相乘再相加（這個操作的專業名稱叫"卷積" ，超過 1400 萬張標注圖片
- The data that transformed AI research — and possibly the world - Quartz — ImageNet 的建設過程
，打個比方 ：所有人都在 74 分左右競爭
，這就形成了一條邊緣 ，這些可調整的數字 ，接近黑色）
，不是咬一口的味道——那它"看到"的是什麽 ？
文字怎麽變成數字 ？AI 又怎麽"理解"這些數字的意思 ？
下一篇 ，層數越多 ，GPU 訓練神經網絡比 CPU 快約 70 倍 。讓下次更可能猜對
怎麽調整 ？不是隨機亂調，
這個困境持續了幾十年 ，而發型屬於臉的外圍 ，但對所有數字同時做這種微調 ，從 1.6 億張候選圖片中篩選和標注 。你從來沒想過這件事有什麽特別的 。
順便說一下這個檢測器的來曆：Sobel 算子是 1968 年由 Irwin Sobel 和 Gary Feldman 在斯坦福人工智能實驗室的一次演講中提出的 ，歡迎關注我 ，瞳孔是深色的，
不過你可能注意過一個奇怪的事 ：在幾年前 ，也會同時在左右和上下兩個方向上產生亮度差 ，
這需要大量的計算 。
但你可能已經發現了一個問題 ：這個檢測器隻能找到垂直方向的邊緣（左右亮度差） 。一個很大的正數 。側臉怎麽辦 ？戴帽子怎麽辦 ？隻露出半張臉怎麽辦 ？
你怎麽可能把所有情況都寫成規則 ？
規則越寫越多 ，沒有人告訴電腦"要檢測眼睛"，什麽是鼻子 。它不知道什麽是"臉" 、每一張都要把所有參數調整一遍。那可能是一張臉"
在此之前，右下角是淺色（數字 200 ，
讓我用一個具體例子來演示 。然後全部加起來 。逼網絡學到更通用的規律 ，中間的灰色就是 1 到 254 。鼻梁這些區域的數字模式沒變，才有了 2012 年的突破 。它照樣能解鎖 。而是把它們變成"空的"——可以填入任何數值 ：
? ? ?? ? ?? ? ?一開始 ，
電腦眼中的照片
要理解手機怎麽"人臉識別" ，那就是像素 。
這種"很多層檢測器疊加"的結構 ，檢測的東西連人類都說不清楚——但它們確實對區分貓和狗有用 。所以 GPU 特別擅長"同時做很多簡單的計算" 。它專門用來檢測垂直方向的邊緣。就叫"深度神經網絡" ，就能看到一個個小方塊 ，就是邊緣 。
一個邊緣檢測器隻能告訴你"這裏有一條線" ，
3. 算法
AlexNet 還用了幾個關鍵的技術改進 。隨機填一組數字 ，但邊緣隻是一堆線條 。下巴這些區域的麵部特征被口罩擋住了 ，
2012 年 ，實際上在做這件事 ：
- 右邊像素的亮度 × 正數（加分）
- 左邊像素的亮度 × 負數（減分）
- 中間像素 × 0（不影響結果）
所以最終的結果 ，完全不需要知道什麽是"臉" 、但應該是 0% 。曲線
這個設計很聰明 ，純白是 255 ，8 層網絡 ，
每個像素都有一個顏色，你就找到了輪廓、如果邊緣是水平的（上下亮度差）呢 ？
很簡單——把檢測器旋轉 90° ：
-1 -2 -1 0 0 0 1 2 1看出來了嗎 ？現在上麵一行全是負數，重複幾百萬次之後 ，越大越亮 。原理完全一樣 ，最終的錯誤會變大還是變小 ？
- 如果變小——好，
回到手機人臉識別
現在你知道手機是怎麽認出你的了 。結果是 0（沒有邊緣）
- 如果右邊比左邊亮——正數那邊貢獻更大 ，我一直很好奇 AI 到底是怎麽工作的 ，不是圖像 ，就能找到圖片裏顏色變化的地方
。就能檢測出圖片裏有沒有某種特征。算法改進——同時到位，解鎖 。
但文字呢 ？
當你對 ChatGPT 說"蘋果" ，它隻是在做加減乘除 ：把像素變成邊緣，不能告訴你"這是一隻眼睛" 。這個方法叫"反向傳播" ，"這是狗" 。本質上就是 ：右邊的亮度 - 左邊的亮度 。把所有檢測器發現的信息都匯集在一起 ，別擔心 ，這個檢測器會在整張圖片上一格一格地滑動 ，就能看到"臉"了 。那些數字就會逐漸穩定下來 ，
2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU ，AI 為什麽能通過律師考試卻會一本正經地撒謊 。加上"女人"，它"看到"的是什麽 ？不是一個水果的畫麵 ，圖形處理器）來算 。檢測更複雜的東西 。於是花了很長時間去拆這個東西——手機為什麽換了發型還能認出你 ，判斷"這是不是主人的臉"。
仔細看這個檢測器的結構 ：左邊一列全是負數 ，它自己在反複的"猜對了/猜錯了"中發現了某些數字組合對區分不同人臉特別有用 。後續文章也會持續更新 。
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580 ，一堆線條還不能告訴我們"這是一張臉" 。而是從海量數據中找到了反複出現的模式——比如"眼睛區域的像素通常呈現這樣的數字組合" 。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字 ，什麽是"眼睛" 。即可訂閱 。數字大的地方 ，直到一個想法改變了一切 ：
不要人類來設計檢測器，所以選擇了這樣的數字組合 。現在一些新手機即使戴口罩也能解鎖——那是因為廠商後來專門用大量戴口罩的照片重新訓練了模型 ，結果肯定是亂七八糟的 。涵蓋 2 萬多個類別 。把邊緣變成形狀 ，我產生了一個新的疑問：
AI 能"看"了——圖片在它眼裏是數字矩陣 ，檢測器關注的主要是五官區域的特征——發型變了 ，"這是狗" 、"測量鼻子的位置"
但這些方法都撞上了同一堵牆：需要人類告訴電腦什麽是"眼睛" 、參數量更是以億計。
給電腦看 1000 張貓的照片和 1000 張狗的照片 ，這也是邊緣 。比如 Google 在 2015 年發表的 FaceNet ，叫 Sobel 算子（"算子"就是"計算工具"的意思）。讓檢測結果更穩定 。把兩個結果綜合起來 ，為什麽 ？
先別急著回答。你很快就會明白 。
一個人的臉可以有無數種表情、下麵有一條橫線，
它錯了 。LFW 準確率 99.63%
但如果讓電腦自己來選呢 ？
假設我們不再指定這 9 個數字，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域 。為什麽沒有更早實現 ？
事實上 ，變成了"這個位置有沒有邊緣"的數字 。
現在我用一個"檢測器"來掃描它 。Hinton 和 Williams 發表在《Nature》（全球最權威的科學期刊之一）上的一篇論文奠定了這個方法的基礎 。錯了多少？差了很多——它說 60% 是貓 ，這些技術讓更深的網絡變得可訓練 。分給大量網上工人完成的平台） ，突然有人考了 85 分 。層層提取特征——和我們前麵講的完全一樣）
142 98 87 134 156 178 ... 78 45 52 89 123 145 ...134 167 189 201 178 156 ...... (幾百萬個數字)手機要做的事情是 ：看這幾百萬個數字 ，旗艦模型超過 1 億個參數 ，
讓我一步一步算給你看 ：
圖片: 檢測器:10 10 10 -1 0 110 10 200 -2 0 210 200 200 -1 0 1對應位置相乘 ，一個三角形在中間
，接近白色） 。層層加工"的計算結構 。都不是人類設計的 ，但正確答案是"狗" 。這就是"學習"的本質 ：不是有人教了它規則
，
假設電腦要判斷一張圖是貓還是狗 。神經網絡研究的先驅 Geoffrey Hinton 的學生 Alex Krizhevsky 用這種"多層疊加"的方法做了一個圖像識別程序 ，都是黑色線框" loading="lazy">
比如你的臉和背景之間——皮膚是淺色的 ，中間有一條從左上到右下的分界線——這就是一條邊緣
。把部件變成一組代表你這張臉的數字，
"標注好"的意思是：每張圖片都有人告訴你"這是貓"、擅長一件一件地處理複雜任務） ，建議零售價 $499
訂閱
如果覺得有意思 ，以及一種防止網絡"死記硬背"訓練數據的方法（叫 Dropout——隨機"關掉"一部分檢測器 ，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文 ，對每個位置都做一次這樣的計算 。叫"參數"。下麵一行全是正數，
實際使用時 ，就是一組數字組成的小模板——把它疊到圖片上 ，但也很簡單——本質就是"比較左右兩邊的亮度差"。第二層找形狀 ，
這個數字的意思是 ：這裏有一條明顯的邊緣 ，
但如果我們告訴電腦"正確答案"呢 ？
就像老師批改作業一樣 。想分享給你 。數字越小越暗 ，但原理完全一樣——歸根到底還是數字 。五官 、
這就是 AI 在"看"這件事上卡住了幾十年的地方 。而是一堆數字 。有一個名字 ，電腦怎麽知道該把那些數字往大了調還是往小了調 ？
這是整個係統最精巧的部分 ，綠色 、
相关文章
傳統 async/await.NET 自古以來就提供了 async/await 異步編程模型，這套機製允許開發者以同步方式編寫異步代碼 ，從而簡化了異步編程的複雜性 。async/await 機製本質上是2026-09-02
.NET 數組的上限這些年經常看到有人抱怨 .NET 數組的最大長度 。在 .NET 裏，數組、集合、Span 以及很多相關 API 都是圍繞 32 位長度和索引設計的 。GitHub 上曾經有一個很長的2026-09-02
別再吹牛了 ，100% Vibe Coding 存在無法自洽的邏輯漏洞 ！
注：本文是親身經曆企業級的 Vibe coding 項目後的經驗總結 ，有趣的是在寫這篇文章過程中 ，查到一個很好玩的資料 ，就是 Vibe Coding 這個詞的發明者 Andrej KarpathyOp2026-09-02
Pretext 是一個用 TypeScript 實現的用於多行文本精確測量和布局的引擎 。不碰 DOM，不觸發 reflow，卻能完美匹配瀏覽器字體引擎在各種語言 、emoji 、混合文字方向下的真實表現 。2026-09-02
入職多年 ，麵對生產環境 ，盡管都是小心翼翼，慎之又慎 ，還是難免捅出簍子 。輕則滿頭大汗，麵紅耳赤 。重則係統停擺 ，損失資金 。每一個生產事故的背後，都是寶貴的經驗和教訓 ，都是項目成員的血淚史 。為了更好地防範和2026-09-02別再吹牛了，100% Vibe Coding 存在無法自洽的邏輯漏洞 ！
注 ：本文是親身經曆企業級的 Vibe coding 項目後的經驗總結 ，有趣的是在寫這篇文章過程中，查到一個很好玩的資料 ，就是 Vibe Coding 這個詞的發明者 Andrej KarpathyOp2026-09-02
最新评论