AI
偷得走答案，卻練不出模型：當 AI 公司在輸出裡下毒。
上一篇說「在權重裡埋追蹤器」做不到，因為模型是一堆數字，不是會自己跑的程式。有人追問：那對蒸餾用的資料下毒呢。這一問正好打在防守方唯一握得住的地方，輸出。把答案調成既能用又會教壞山寨模型，或讓偷去的答案帶著可追溯的胎記，這兩條防線在 2024 到 2025 年真的被做了出來，也真的已經有人在拆。
2026年6月14日—
AI3 篇
電腦視覺4 篇
電腦視覺
球場上有十個人在跑：AI 如何記住每一個的身分
多目標追蹤在籃球場景裡有個核心難題：十個人穿著相似球衣，掩護時兩人緊貼，鏡頭跟拍時模糊抖動。GameSense 用雙層記憶機制解決身分連貫的問題，追蹤指標在 SportsMOT 上超越所有競品。
2026年5月26日—
電腦視覺
像鳥群一樣飛：不靠 GPS，無人機怎麼知道自己在哪裡？
一篇來自維吉尼亞聯邦大學的研究，讓無人機群像椋鳥群一樣，只用眼睛維持隊形；另一組無人機則互相交換地圖，在沒有 GPS 的隧道裡定位自己。兩件事合在一起，才是完整的自主飛行。
2026年5月12日—
電腦視覺
追蹤那顆消失的球：TrackNetV4 如何讓 AI 學會感受動作
追蹤網球和羽球的 AI 模型家族 TrackNet，每一代都在進步，卻始終有個根本缺陷：它們只會「看」，不會「感受移動」。TrackNetV4 加入了可學習的動態注意力地圖，用兩個參數就讓模型知道球在哪裡。
2026年5月7日—
電腦視覺
從一支攝影機，看見球在空間裡的位置。
一篇來自泰國 VISTEC 的研究，只用一支攝影機的 2D 追蹤序列，讓神經網路還原球的 3D 軌跡。表示方式的選擇，比模型大小更關鍵。
2026年5月7日—