路径归因要把特征从缺失插值到现值。全黑基线会对黑色失明。缺失该用分布，期望梯度对训练分布积分。热力图好看不等于解释对。

特征可视化说明单元在找什么，回路说明它们怎么拼起来。圆由曲线拼，狗头由眼鼻毛舌拼，高层特征上找得到与或异或。规模要小到能逐步验证。

转置卷积用低分辨率去粉刷高分辨率，核与步长不能整除时有的位置被刷多次。二维会平方放大。先放大再卷积，随机初始化就不带棋盘。

每人给的是几个年份—概率点，问法和口径会把曲线推晚或推早。该同时报聚合区间和专家分歧。只报任务口径中位年，会被选择性引用。

自然指标上一次进步顶过去十年以上的情况很少。人猿差距、脑容量、智能爆炸、一条算法、部署复制，目前都还站不稳。大跳跃的先验应很低。

未训练人大约八成对，训练标注员错误率约百分之五。从第一次认真尝试到新手要十四年以上，越过人类带只要三年。过线之后增益变慢，不能直接写成部署跳变。

若慢起飞是一年翻倍之前必须先有四年翻倍，有记录的全球产出几乎总满足。例外在农业开始前后，更像新活动进入统计，不是现代产能跳变。

灾难检测器再好，稀有事件也抽不到。机械估计按网络结构推理期望，最差打平抽样，有结构时才能明显胜过。解释要跟训练并行长出来，时间和找参数同量级才付…

部署次数远多于训练、分布会偏、还会装对齐时，盲抽看不到的行为仍可能出现。用梯度重加权输入，或在激活上外推，才能在六万次前向里估千万分之一到十亿分…

形式证明在大模型上会先垮。启发式解释不必写成科普，但要把解释没覆盖的惊讶记账；账清了才能拿去估分布外和异常。紧凑证明只是跳板。