如果要保持某个发明是黑盒状态，人类必须保证其不停的发展，这几乎是不可能的 —— David 9
人们有两个重要的动机把一切新工具看做白盒去研究：1. 如果工具出了问题，从内部机制寻求解决是常规的方法，2. 每个人都有信心认为自己的见解比别人独到，所以如果这个工具是一个黑盒，一定是之前没有很好地被理解。
神经网络也是这样一种工具。并且白盒化过程在视觉模型中尤为明显，近期的两个项目很好地反映出这个过程。
其一是yolov9视觉检测模型的PGI(Programmable Gradient Information)可编程梯度信息改进。
信息瓶颈原理指出，随着网络的深度加深，图像在网络传播的过程中不可避免地会有信息损失，输入与输出的互信息会不断减小：
当然，把模型的参数量变大可以缓解这种问题。但依旧不能很好地解决：
yolov9为了更好地解决上述问题，PGI主要由三个部分组成：（1）主分支：用于推理的架构，（2）辅助可逆分支：生成可靠的梯度，为主分支提供后向传输，（3）多级辅助信息：控制主分支学习可规划的多级语义信息：
这些辅助的分支在训练时需要，但预测阶段并不需要，因此，可以理解为在训练阶段的一种“特征矫正工程”，但和一般眼科矫正不同的是，它更像一种植入矫正技术，在特征生成的每一层都有“植入”。
另一个令人印象深刻的项目是Featup特征上采样技术，同样是对特征图进行矫正，被NeRF模型启发，MIT的研究人员发现，
