上周三凌晨三点，我对着屏幕上跑了17小时的模型损失曲线，把刚泡好的第三杯美式一口闷了。
曲线在第12个epoch之后就卡在0.18不动，像个上课摸鱼的高中生，明明眼睛盯着黑板，脑子早就飘到操场上去了。
那些被吹得神乎其神的“智能”，其实都是“记笔记”
我见过太多人把深度学习吹成能自主思考的数字大脑，好像它敲几行代码就能看懂世界、听懂人话。说白了，它连最基础的“理解”能力都没有。
它的“学习”本质，是在高维空间里给所有见过的样本找一个能凑出最小误差的坐标点——你给它看一百万张猫的图片，它不会总结出“猫有尖耳朵、长胡须、会踩奶”这些常识，只会把每张图的每个像素的亮度、颜色值拆成数字，然后在几百万维的空间里挪来挪去，直到所有跟猫相关的图片能被一个简单的直线分开为止。
我之前给身边非技术圈的朋友讲这个逻辑的时候，有人当场翻了个白眼，说‘那这东西跟我考前背题库有啥区别’？
还真没区别。甚至还不如会背题库的学生。
至少学生考完试看见没见过的题型，还能蒙个步骤分，拿个同情分；大部分刚训完的深度学习模型，碰见训练集里没出现过的东西，直接给你输出个离谱到姥姥家的结果——比如你给它看一张穿猫外套的狗，它能笃定这是个猫，置信度99.9%，连半点犹豫都没有。
凌晨三点撞见的“偷懒”，是所有模型的通病
那天我盯着卡了快5个小时的损失曲线看了半小时，才反应过来问题出在哪。
为了让模型在测试集上的表现好看，我前一天给训练集塞了太多重复的标注数据——同一张橘猫的照片，我翻转、调亮、加了点噪点之后，足足塞了三遍进去。结果它根本没在学“怎么认猫”，它在死记硬背每张图的像素值，就像你考前把整本题库的答案全背下来，一进考场换了个题面，直接傻了。
所谓的“模型偷懒”，本质是它把所有的算力都用在了“凑训练集的答案”上，根本没余力去提炼通用的规律。这也是为什么很多人训模型的时候，看着训练集上的准确率冲到99%，一碰到真实场景的输入，准确率直接掉到50%以下——它根本没学会真本事，只是把训练的题全背下来了而已。
之前有个做创业的朋友找我，说他攒了半年钱买了四张高性能显卡，要训个能替代文案策划的模型。我问他准备了多少条标注好的、符合品牌调性的文案数据，他挠挠头说‘大概有个几百条？反正我卡多，参数拉满肯定行’。
我当时差点把嘴里的茶喷出来。
就像你给一个刚会走路的小孩塞了一整个图书馆的书，他翻烂了也写不出一篇像样的作文——不是他笨，是他根本不知道每个字是什么意思，更别说把字凑成有情绪的句子了。没有足够的、经过清洗的有效数据，再大的模型也只是个空架子，除了烧电啥也干不了。
那些你天天用的深度学习，其实没你想的那么“聪明”
很多人对深度学习的印象，来自于新闻里那些能写诗、能画画、能下赢世界冠军的大模型，觉得它已经快比人聪明了。但实际上，你每天手机里碰到的所有深度学习应用，本质上都在干着“记笔记+找相似”的活。
你每天刷的短视频推荐，本质是深度学习模型扒了你过去3个月的所有点赞、停留时长、评论记录，给你在“喜欢的内容”这个坐标里找了个离你最近的点——它根本不知道你为什么喜欢看猫踩奶的视频，它只知道你刷这类视频的平均停留时间比看美食视频长12秒。说起来有点讽刺，我们总说算法在“读心”，实际上它连你是不是真的喜欢都不知道——可能你那天只是刚好在等外卖，不小心把猫视频刷了三遍而已。
之前我参加过一个行业小沙龙，有个做自动驾驶的开发者站起来说，他们的模型现在已经能识别绝大多数的路面障碍物了。台下有人问‘那剩下没覆盖的情况是什么’？他沉默了两秒说‘是那些从来没在训练集里出现过的东西——比如突然窜出来的穿恐龙玩偶服的路人，比如被风吹到路中间的充气恐龙’。
没人能提前把所有可能出现的场景都喂给模型。这也是为什么现在所有的深度学习应用，都需要不停的迭代、不停的收集新的数据——它从来不会自己主动学会新东西，全靠人在后面追着喂。
上周我把那个卡了17小时的模型的学习率调小了一半，把重复塞进去的那些翻转图全删掉，重新跑。现在它跑了3天，损失曲线还在慢悠悠往下掉，像个终于静下心来听课的学生。
刚才我抬头看了一眼窗外，天已经亮了。桌上的美式早就凉透了。
其实哪有什么神乎其神的深度学习啊。
说白了，就是个需要你耐心哄着、盯着，稍微不注意就会偷懒摸鱼的大玩具而已。
作者|科技
排版|科技
审核|安然