人工智能反向传播先检查饱和。误差用链式法则分到每个权重，再按学习率更新。2026年要能点开一条连接，看见权重、梯度、步长和更新后的值。饱和激活让局部导数接近零，梯度几乎消失。解析梯度和有限差分对不上，先修实现，再加深网络。饱和预置下最大梯度应掉到接近零，掉不掉说明没测到激活导数。

人工智能很会降损失，痛点在看不见是哪条边在动

前向：隐藏单元先加权求和再激活，输出再组合，损失用目标和预测的平方差一类度量。反向：损失对预测求导，乘输出激活导数，再往每条权重和隐藏激活传。梯度下降是旧权重减去学习率乘梯度。学习率太大，一步跨过谷底；太小，饱和区里几乎原地踏步。

可视化要两套视图。激活视图从输入跟到预测；梯度视图倒着走，用梯度绝对值给边上色。点一条边，应列出链式法则里的每一个因子，而不是只给一个最终小数。参数表列出每条连接的权重、梯度、步长、更新后。没有这张表，饱和被平均损失藏住：损失还在慢慢降，真正该动的边已经冻住。

预置三种权重：平衡、饱和、极小。饱和配上S形或双曲正切，局部导数缩小，最大梯度掉到噪声级。换成修正线性，正半轴导数为一，饱和故事会轻很多，但负半轴仍是死区。极小权重让信号弱，梯度也弱。训练一步和连训多步都要看：一步对公式，多步对是否真的离开坏区。

数值核对不是装饰。对选中权重加减一个极小量，两次损失差除以二倍扰动，得到有限差分斜率。相对误差大，要么公式写错，要么实现把某段链乘丢了。先过核对，再谈加深、加宽、换优化器。优化器救不了乘错的链。

人工智能反传2026五步：先点开边，再看饱和，再数值核对

1. 每条权重必须能展开链式因子。只能看到总梯度，方案作废。
2. 参数表必有四列：权重、梯度、步长、更新后。缺列不准训。
3. 饱和预置必测。最大梯度不掉，说明没测到激活导数。
4. 解析梯度与有限差分相对误差要过门。过不了先修代码。
5. 激活默认不要停在两端饱和的S形。用修正线性等要写清死区怎么处理。

上表是可视化里的参数表，必须能随点选刷新。数值核对应另附两列：反传斜率、有限差分斜率。两列对不上，更新后那一列没有意义。

两处只有对着饱和预置才清楚。其一，输出已经接近目标时，损失小，梯度也会小，这和饱和不是一回事。饱和是激活导数小，即使误差还大。表上要同时看误差和局部导数。其二，连训多步若振荡，先降学习率再换激活。先换激活会把步长问题和饱和问题缠在一起。

建设者该把「点开一条边」写成训练课的交付物，而不是只放损失曲线。管训练的人，该拒收不能展示链式因子和数值核对的框架。不能核对，加深只是把错误乘得更长。

结论：人工智能反传的可信，信在每条边的功过都能展开，并且和扰动斜率对得上

前向、损失、反向、更新。饱和先查。表四列。数值核对。仍只看损失往下，冻住的边会在更深的层里被当成已经学会。

你下次验收训练实现，先点开一条边看因子、再跑饱和预置和数值核对；三件缺一，深度先不要加。

现场还要防口号替换验收。把「已经会搜、已经会反传、已经会对齐」写成周报，不等于启发可采纳、梯度没消失、约束还在。周报可以写，门禁必须绑在对照表上。

若只能改一处：先把「看起来学会了」从唯一成功标准里拿掉。演示可以记，启发匹配、饱和检查、三阶段对齐三件跟不上就算事故。

现场还要防口号替换验收。把「已经会搜、已经会反传、已经会对齐」写成周报，不等于启发可采纳、梯度没消失、约束还在。周报可以写，门禁必须绑在对照表上。

若只能改一处：先把「看起来学会了」从唯一成功标准里拿掉。演示可以记，启发匹配、饱和检查、三阶段对齐三件跟不上就算事故。

现场还要防口号替换验收。把「已经会搜、已经会反传、已经会对齐」写成周报，不等于启发可采纳、梯度没消失、约束还在。周报可以写，门禁必须绑在对照表上。

若只能改一处：先把「看起来学会了」从唯一成功标准里拿掉。演示可以记，启发匹配、饱和检查、三阶段对齐三件跟不上就算事故。

本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源