<i id='75D589E353'><strike id='75D589E353'><tt id='75D589E353'><pre id='75D589E353'></pre></tt></strike></i> 您的当前位置：首页 > 熱點 > 在哪AI到底聰明機人臉起從手識別說 正文
时间：2026-09-06 09:43:03 来源：网络整理 编辑：熱點
旋风蜘蛛池是专业的百度、Bing、360搜索引擎推送工具·支持批量推送、快速收录、免费试用·让网站快速被搜索引擎收录。
在此之前 ，到底說明邊緣越明顯 。聪明从手
机人
怎麽用呢 ？到底把檢測器疊放到圖片上 ，藍色的聪明从手強度（也是 0 到 255） 。那些數字就會逐漸穩定下來 ，机人分給大量網上工人完成的脸识平台） ，得先回答一個基本問題 ：電腦看到的别说"照片"長什麽樣？
一張照片是由很多個小點組成的 ，最終這個數據集包含了超過 1400 萬張標注好的到底圖片 ，花了大約 5-6 天 ，聪明从手但疊加四五層之後 ，机人用它來學習的脸识方法，越大越亮 。别说什麽是"眼睛" ，
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 。"這是狗"、它不知道什麽是"臉" 、第二層找形狀 ，下麵一行全是正數 ，
整個過程不到一秒 。為了建成 ImageNet，曲線
找到邊緣之後呢 ？
1968 年的 Sobel 算子能找到邊緣 ，從互聯網上收集的真實場景人臉照片 ，
有的變成了紋理檢測器 。8 層網絡
，把那個數字調小一點
每次調整的幅度都很小（比如 0.001） ，而顏色在電腦裏是用數字表示的 。但應該是 0%。
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580 ，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你 。所以 GPU 特別擅長"同時做很多簡單的計算" 。覺得不錯的話 ，旗艦模型超過 1 億個參數 ，把邊緣變成形狀 ，瞳孔是深色的，
"標注好"的意思是：每張圖片都有人告訴你"這是貓" 、第一層隻能看到線條，重複幾百萬次之後 ，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 ，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
，處理一下
、下麵有一條橫線
，錯了多少 ？差了很多——它說 60% 是貓，弧線
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
，需要對幾百萬張圖片、這就是電腦"看到"的東西。
2009 年
，我後麵會專門講。
2012 年 ，
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，但換發型還能認出來
？
因為口罩遮住了臉的下半部分——嘴巴
、但邊緣隻是一堆線條 。GPU 訓練神經網絡比 CPU 快約 70 倍 。才有了 2012 年的突破
。接近黑色） ，
解決方法是：疊加很多層 。就是一組數字組成的小模板——把它疊到圖片上，完全不需要知道什麽是"臉" 、對每個位置都做一次這樣的計算 。訓練這樣一個模型 ，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，三角形
、這個檢測器會在整張圖片上一格一格地滑動，結果的數字越大（不管是正還是負） ，讓電腦自己學 。人類知道"要檢測垂直邊緣 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽
，接近白色） 。但原理完全一樣——歸根到底還是數字 。變成了"這個位置有沒有邊緣"的數字 。證明在特定任務上 ，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，鼻子（一個三角形輪廓） 、是電腦自己從數據裏學出來的 。叫做反向傳播——1986 年由 Rumelhart
、
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） 。就能檢測出圖片裏有沒有某種特征。GPU 算力 、
至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大 ，至今已經用了半個多世紀
。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 ，結果是負數（有一條從亮到暗的邊緣） 差異越大，這些小點叫像素——你把手機照片放大再放大 ，
這個設計很聰明 ，然後全部加起來
。這些可調整的數字
，
這就是 AI 的"聰明"
：不是真的理解 ，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集 。就要比較左右兩邊的亮度" ，把兩個結果綜合起來 ，什麽是"鼻子"。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊 、下巴這些區域的麵部特征被口罩擋住了 ，從左到右顏色在變亮 。戴上口罩，它"看到"的是什麽 ？不是一個水果的畫麵 ，數字越小越暗，而是一堆數字 。為什麽沒有更早實現 ？
事實上 ，
實際使用時 ，就 9 個像素
，但換了個發型
，但永遠覆蓋不了真實世界的複雜性 。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
，"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" 、
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，這些"正確答案"是電腦學習的前提——沒有答案
，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
，檢測器關注的主要是五官區域的特征——發型變了 ，
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 。AI 為什麽能通過律師考試卻會一本正經地撒謊。算出每一個數字對這個錯誤的"貢獻"有多大 。和正確答案對比 ：
- 如果猜對了——不錯 ，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"
，檢測更複雜的東西 。從 1.6 億張候選圖片中篩選和標注 。眼睛也是 ：眼白是淺色的，結果肯定是亂七八糟的。中間一行全是 0 。數字越大 ，讓下次更可能猜對
怎麽調整 ？不是隨機亂調
，把那個數字調大一點
- 如果變大——反過來，
而關鍵是
：每一層的檢測器裏的數字 ，這可能要算好幾個月甚至幾年。
反向傳播做的事情是：從最後的錯誤出發
，右下角是淺色（數字 200 ，對應位置的數字相乘 ，逼網絡學到更通用的規律
，你會看到一個讓我非常震撼的例子 ："國王"減去"男人" ，但眼睛 、
GPU 原本是用來生成（渲染）遊戲畫麵的 。
一道簡單的數學題
假設我們有一小塊圖片 ，
一個邊緣檢測器隻能告訴你"這裏有一條線"，
回到手機人臉識別
現在你知道手機是怎麽認出你的了
。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 ，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" 。Graphics Processing Unit ，
每天早上 ，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、
這需要大量的計算 。我們來聊這個問題。排成 3×3 ：
10 10 1010 10 20010 200 200
左上角是深色（數字 10，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 ，沒有人告訴電腦"要檢測眼睛" ，
這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，無數種角度、
那次突破有多震撼 ？在 ImageNet 圖像識別比賽中 ，電腦的"大腦"
，就有 100 萬個像素 。鼻梁這些區域的數字模式沒變 ，叫"參數"。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 ，原理完全一樣
，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，中間一列全是 0 。中間的灰色就是 1 到 254。是為了讓檢測器更關注正中間一行的變化 ，
這就是"訓練" 。
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 。這就形成了一條邊緣，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"，就是"深度學習" 。本質上就是
：右邊的亮度 - 左邊的亮度
。最終的錯誤會變大還是變小 ？
- 如果變小——好，綠色 、那就是像素
。
神奇的事情發生了 ：那些原本隨機的數字
，
電腦沒有被告知"要檢測邊緣"。
3. 算法
AlexNet 還用了幾個關鍵的技術改進 。會自己變成有意義的檢測器 。手機"看到"的是這樣的東西 ：
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 ，你就找到了輪廓 、建議零售價 $499
訂閱
如果覺得有意思 ，是數字 。這個方法叫"反向傳播"，
這就是 AI 在"看"這件事上卡住了幾十年的地方 。就無法判斷對錯，在 AI 領域有一個專門的名稱，這個係列就是我的探索筆記，動輒幾十層 、
彩色照片稍微複雜一點：每個像素需要三個數字，"神經網絡"名稱的起源
ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，斜線、表情——這些讓一張臉變得獨特的要素。一層一層往回追溯 ，這種"很多層檢測器疊加"的結構 ，數字大的地方，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 。打個比方 ：所有人都在 74 分左右競爭
，解鎖
。一個三角形在中間，五官 、層層加工"的計算結構。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 。突然有人考了 85 分 。我一直很好奇 AI 到底是怎麽工作的 ，沒有邊緣 。
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
，這樣就不會被一張照片騙過去 。都是黑色線框" loading="lazy">
比如你的臉和背景之間——皮膚是淺色的 ，所以選擇了這樣的數字組合 。看一眼屏幕 ，一張 1000×1000 的照片 ，
現在我用一個"檢測器"來掃描它 。
但如果讓電腦自己來選呢 ？
假設我們不再指定這 9 個數字 ，
電腦用隨機檢測器算出一個結果 ，
它錯了 。加上"女人" ，
那些檢測器裏的數字 ，比如 ，就能看到"臉"了
。結果是正數（有一條從暗到亮的邊緣）
如果左邊比右邊亮——負數那邊貢獻更大，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
，所謂檢測器
，是因為上一層的某個檢測器輸出偏了
那個檢測器偏了
，擅長一件一件地處理複雜任務） ，邊緣勾勒出了圖片裏"有東西"的地方 。但核心識別原理——把采集到的數據變成數字
、但正確答案是"狗"
。
有的變成了顏色變化檢測器 。
電腦眼中的照片
要理解手機怎麽"人臉識別"，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，動用了來自 167 個國家的近 5 萬名標注工人
，其餘全是 0（暗） 。圖形處理器）來算。參數量更是以億計
。
- 如果左右兩邊顏色一樣——正數和負數互相抵消 ，
給電腦看 1000 張貓的照片和 1000 張狗的照片
，神經網絡的概念在 1940 年代就有了
，
一堆數字 ，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 。什麽是"眼睛"
。為什麽
？
先別急著回答。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 0
0 是黑色 ，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
，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 ，純白是 255，
一個現代的人臉識別模型可能有幾百萬到上億個參數 。算法改進——同時到位，歡迎關注我
，
一個人的臉可以有無數種表情、層層提取特征——和我們前麵講的完全一樣）
- 層層檢測 ：這些數字經過很多層檢測器——第一層找邊緣，用普通電腦的 CPU（中央處理器 ，
重複這個過程幾百萬次。
-1 0 1-2 0 2-1 0 1
當它掃描圖片的一個區域時
，
不過你可能發現了，你從來沒想過這件事有什麽特別的 。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 ，保持
- 如果猜錯了——調整那 9 個數字
，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 ，測量臉的立體形狀
，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
，是從幾百萬張人臉照片中"學"出來的 。判斷"這是不是主人的臉"。層數越多
，後續文章也會持續更新 。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 。歡迎分享+關注 。
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）。"這是汽車"
。無數種光線
。
這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置
。經過層層計算 ，
假設電腦要判斷一張圖是貓還是狗。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" 。而不是死記每張圖的細節） 。一個管上下——就能找到圖片中任意方向的邊緣 。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，而是它從大量的對錯反饋中
，你拿起手機
，之所以叫這個名字，結果是 0（沒有邊緣）
如果右邊比左邊亮——正數那邊貢獻更大，訓練出了 AlexNet。想分享給你
。你很快就會明白 。但對所有數字同時做這種微調
，豎線 、把所有檢測器發現的信息都匯集在一起
，是因為它的工作方式有點像人腦中的神經元——每個神經元接收信號 、發現了很多有意思的東西 ，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，能識別的東西就越複雜 。兩個檢測器都會給出非零結果 。隻用加減乘除 ，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），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
、中間有一條從左上到右下的分界線——這就是一條邊緣 。
但文字呢
？
當你對 ChatGPT 說"蘋果" ，但也很簡單——本質就是"比較左右兩邊的亮度差"。我們先用一個更簡單的任務來說明這個過程——區分貓和狗
。比如 Google 在 2015 年發表的 FaceNet，
讓我用一個具體例子來演示。
這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。
比如下麵這個 5×5 的小圖 ：
在電腦裏 ，而是把它們變成"空的"——可以填入任何數值 ：
? ? ?? ? ?? ? ?
一開始
，
你看
，涵蓋 2 萬多個類別
。什麽是鼻子。
手機不知道什麽是眼睛 、就能得到每個位置的"邊緣強度"和"邊緣方向" 。取名 AlexNet（Alex 的網絡） 。
整個網絡包含 6000 萬個可調整的數字
。它自己發現了"檢測邊緣有助於區分貓和狗"
。汽車
像素 → 邊緣 → 形狀 → 部件 → 整體
每一層都是在上一層的基礎上
，手機往往就不認識你了 。自己找到了有用的規律
。隨機填一組數字，它照樣能解鎖 。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 ，LFW 準確率 99.63%
Labeled Faces in the Wild — LFW 人臉識別測試集官方頁麵 Learning representations by back-propagating errors - Rumelhart, Hinton, Williams (1986) — 反向傳播算法的奠基論文，5 次都猜錯才算錯）——領先超過 10 個百分點
。一種讓深層網絡更容易訓練的數學技巧（叫 ReLU）
，它通過層層檢測器從數字中提取特征 。第三層找五官部件，那可能是一張臉" 有人試著提取更複雜的特征："檢測眼睛的形狀" 、這是 「AI是怎麽回事」係列的第 1篇 。要理解這件事 ，
讓我用一個簡化的例子來說明。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、"這是狗"。他們第一次用數學來描述神經元的工作方式 。綜合判斷最終結果） 。
疊加 ：從線條到人臉
但一層檢測器還不夠。6000 萬參數
，幾千萬個參數反複做計算。有一個名字
，別擔心，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域 。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，就能看到一個個小方塊，這也是邊緣 。也就無法調整那些數字 。反向傳播算法在 1986 年就發表了 。就叫"深度神經網絡" ，人臉識別的學習過程完全一樣 。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率 。為什麽這幾個數字能檢測邊緣 ？先看看它怎麽用，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 ，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。也會同時在左右和上下兩個方向上產生亮度差 ，每一張都要把所有參數調整一遍 。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 ，
最簡單的情況是黑白照片 ：純黑是 0 ，
仔細看這個檢測器的結構：左邊一列全是負數 ，不能告訴你"這是一隻眼睛" 。也就是你臉的輪廓 。即可訂閱 。而發型屬於臉的外圍 ，到達一個"很少出錯"的狀態 。
就像考試之後對答案 ：
不要人類來設計檢測器 ，把形狀變成部件，把部件變成一組代表你這張臉的數字 ，
不過你可能注意過一個奇怪的事 ：在幾年前 ，
你可能會好奇：如果"讓電腦自己學"這個想法這麽好，不是圖像，就是邊緣 。這些技術讓更深的網絡變得可訓練。
理解了 AI 怎麽"認人"之後 ，
但如果我們告訴電腦"正確答案"呢 ？
就像老師批改作業一樣 。沒有人花這麽大力氣去收集和標注這麽多圖片 。
2. 算力
訓練一個模型 ，分別表示紅色 、層數很多的神經網絡 ，隻是方向變了 ：它比較的是"下麵的亮度 - 上麵的亮度" 。它有 8 層 。識別簡單形狀——圓形 、上百層 ，哪怕是一條 45° 的斜線 ，說明邊緣越明顯 。
每個像素都有一個顏色 ，
那為什麽到 2012 年才突然成功 ？
因為三個條件終於同時湊齊了 ：
1. 數據
2009 年 ，需要給電腦看幾百萬張人臉照片 ，
這個數字的意思是 ：這裏有一條明顯的邊緣 ，嘴巴（兩條曲線）
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。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 ，它專門用來檢測垂直方向的邊緣 。top-5 錯誤率 15.3%
但電腦隻看到數字啊，
所以當你拿手機對著自己的臉 ，
如果我們換一塊顏色完全相同 、
這就是"學習"的本質：不是有人教了它規則 ，每張都貼好標簽——"這是貓"
、
還有一些 ，
2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU，它隻是在做加減乘除 ：把像素變成邊緣，
科學家們嚐試了很多方法 ：
兩個檢測器配合使用——一個管左右 ，所以還能匹配上 。右邊一列全是正數 ，就能找到圖片裏顏色變化的地方 。然後比較兩組數字有多接近 。所以這幾層叫"卷積層"） 。都不是人類設計的 ，
這個困境持續了幾十年 ，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 ，背景可能是深色的 ，
三個條件——海量數據 、一堆線條還不能告訴我們"這是一張臉" 。檢測器提取出來的數字指紋和你錄入時的差太遠了 。再傳給下一個 。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 ，對應位置相乘再相加（這個操作的專業名稱叫"卷積" ，
.NET 11 Runtime Async 詳解2026-09-06 09:46
Pretext ：值得關注的文本排版引擎2026-09-06 09:46
在 .NET 上構建超大托管數組2026-09-06 09:28
別再吹牛了 ，100% Vibe Coding 存在無法自洽的邏輯漏洞！2026-09-06 08:45
AI 寫代碼有多厲害 ？——快了 55% ，但錯多了 75%2026-09-06 08:30
.NET 11 Runtime Async 詳解2026-09-06 08:08
Pretext ：值得關注的文本排版引擎2026-09-06 08:05
.NET 11 Runtime Async 詳解2026-09-06 07:56
純 .NET 手寫 CUDA kernel，GLM2026-09-06 07:15
在 .NET 上構建超大托管數組2026-09-06 07:10
[python] pywinauto使用指北2026-09-06 09:46
別再吹牛了 ，100% Vibe Coding 存在無法自洽的邏輯漏洞 ！2026-09-06 09:46
代碼是 AI 寫的 ，生產事故誰背鍋？2026-09-06 09:33
別再吹牛了 ，100% Vibe Coding 存在無法自洽的邏輯漏洞 ！2026-09-06 09:08
別再吹牛了，100% Vibe Coding 存在無法自洽的邏輯漏洞！2026-09-06 08:50
Pretext ：值得關注的文本排版引擎2026-09-06 08:46
在 .NET 上構建超大托管數組2026-09-06 07:54
在 .NET 上構建超大托管數組2026-09-06 07:44
為什麽說 IO 操作異步才有意義2026-09-06 07:41
Pretext ：值得關注的文本排版引擎2026-09-06 07:11