"上午看了 CNCC 2026 主论坛直播。这是大会的第 23 届，也是第一次在成都举办。开幕式主持人唐卫清提到，截至上午 8 点，注册人数已经达到 11,448 人。

上午共有 5 场特邀报告，最吸引我的是第一场。报告人是萨里大学杰出教授 Josef Kittler，题目是《Representation Similarity Analysis of Foundation Models in Deep Learning》。

他借鉴了神经科学的研究思路：给模型看最简单的东西，比如一块纯色、一个简单的形状，再观察模型内部的表示会发生什么。

下面是我的一些摘录。

模型的表示向量存在严重的各向异性问题，在 ImageNet 预训练模型中，这一问题的程度高达约 98%。用外行人的话说，就是大量向量挤在少数几个方向上，表示空间的其他部分几乎被闲置了。这种偏差不只与背景信息等因素有关，也涉及均值偏移等统计特征。

更有意思的是，修复它并不一定需要重新训练模型。只需在训练后做一次归一化处理，去除全局均值，再进行去相关，线性探针的性能就能达到约 93.5%，接近微调的效果。在 CT 痛风分类这样的真实应用场景中，这种方法同样有效。

希望大家都能永远保有一种勇气：不怕丢面子，敢于当众说蠢话。有时，理解一个复杂的模型，不一定非要从复杂的实验入手。给它看一块纯色，就可能发现它内部的表示空间里，藏着一片我们尚未理解的宇宙。

Kittler 的报告让我再次想到，面对 AI 的黑箱，与其靠猜测，不如像研究大脑那样，设计实验，一点点探明其中的机制。

上午压轴的大会论坛是《智能体的安全挑战》，讨论的是另一个方向的问题。明天上午还有唐杰的报告《从“对话”到“干活”》，我会继续看。"CNCC2026AI时代的技术想象计算未来