分类： 前沿

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 继续阅读修订特征已经变得切实可行， “特征矫正工程”是否会成为潮流？

人们对信息的认识，总是远远落后于信息处理机器的生产 —— David 9

很多时候，当我们讨论一个新颖的模型，其实都是在讨论信息处理技术，只是我们很多时候并没有意识到。曾今当图灵机提出的时候，很多人甚至包括设计师自己，都无法想象这种机器会促进何种形式的信息处理技术。

现在，量子计算机也面临着类似的处境，毫无疑问它是处理信息的一种新机器，但没有人知道什么样的信息处理技术可以在这种机器上大放异彩。

上次我们讨论了量子神经网络的基本知识，值得强调的是，这种QNN（量子系统）并不一定是处理信息的最好方式，正如冯诺依曼结构在图灵机之后近10年提出并经过了长时间的考验。 在进一步深入思考之前，我们必须确保自己能够更独立地思考，来判别未来的方向，因此，David补充了下面量子机器学习与量子深度学习的资料，供大家参考：

1. 量子力学五大基本假设 为方便记忆也可以叫“剥削算全态”. 具体内容如下：