消息详情

「神经网络没有退场，但“纯模型信仰”开始松动了」 Michael Black这条推文的分量，不在于他否定深度学习，而在于他点破了一个过去十年默认成立、如今却越来越值得重估的前提：不是所有视觉问题都该继续往“收集数据—训练模型”这条路上挤。训练数据充足时，神经网络依然强大；但当数据难拿、经典算法本就成熟、优化方法更直接，或者只是想尽快把问题解决时，让前沿模型帮你写代码、测方案，往往比重新训一个模型更快也更省。于是变化出现了：大模型未必替代软件工程，反而可能把“写代码解决问题”这件事变得更普及，像印刷术放大写作那样放大编程。顺着这个判断，未来更像是混合范式：高层规划交给通用模型，底层任务按场景调用神经网络、经典算法、现成代码库，甚至临时生成的专用代码。评论区的共识也很有代表性：能用便宜、可验证、确定性强的方法解决，就没必要迷信黑箱；能先用规则和传统方法覆盖大多数样本，再把神经网络留给边角难题，系统反而更稳、更便宜，也更容易落地。真正该被淘汰的，也许从来不是经典方法，而是对单一路线的技术宗教。

AI 助手

通知訊訊

相關消訊