手工分类 CIFAR-10：把自己当成基线模型
一句话
深度学习尚未登场的 2011 年，还是学生的卡帕西写了个 MATLAB 小界面，按 0–9 的键亲手给 400 张 32×32 的 CIFAR-10 小图分类，量出人类准确率约 94%——而当年最强的算法（k-means 加 SVM 那一套）只有 80%。这是他博客里最早的文章之一，也是他「自己当一次基线」这个标志性习惯的起点。
文章讲了什么
方法土得掉渣，问题却问得很正：大家都在刷 CIFAR-10 的分数，但这个数据集本身对「人」有多难？没人量过，那就自己量。除了 94% 这个数字，文章的价值在几条第一手观察：其一，类内差异大得惊人——同是「狗」，姿态、大小、品种千差万别，32×32 的分辨率还抹掉了大量细节；其二，他内省了自己的识别过程，发现有两条完全不同的通路：有时凭高信息量的独特部件（比如猫耳朵）一眼认出，有时图上根本看不清物体，全靠背景和整体氛围「猜」出来——语境本身就是特征；其三，他判断训练集的多样性不足以支撑很好的泛化，并坦率承认看不懂当时最强算法为什么能做到 80%（随机聚类基线都有 70%）。
文末他给出预测：这个数据集上算法的现实天花板大概在 80–90%。这个预测后来被证明是错的——深度学习登场后一路冲过 95%，超过了他量出的人类水平。有趣的是，连错误本身都有史料价值：2011 年最敏锐的从业者，也没能预见两年后的范式革命。
写作背景
2011 年的计算机视觉还是特征工程的天下：SIFT、HOG、词袋模型，AlexNet 要到 2012 年底才横空出世。当时的模型好坏全靠排行榜数字说话，很少有人追问数字的「参照系」。一个研究生用最笨的办法给出参照系，这种不优雅但诚实的实证做派，日后成了卡帕西的招牌——从这篇到 2014 年在 ImageNet 上单挑 GoogLeNet，再到后来《神经网络训练配方》里「先跟数据融为一体」的第一条军规，一脉相承。
十年后再看
这篇小文章的两个副产品都比正文长寿。第一是方法：「先量人类基线，再谈算法高低」如今是评测学的标配，LLM 时代的 MMLU、HumanEval 等基准都要报人类分数，而这个习惯在社区里的早期示范就包括这篇。第二是那两条识别通路的内省——「部件识别」与「语境猜测」，后来分别对应了视觉模型的判别特征学习与场景上下文建模，也预告了他 2012 年对「识别之外还需要理解」的著名追问。至于 CIFAR-10 本身，早已从竞技场退役成教学玩具——今天你在笔记本上几分钟就能训出远超 94% 的模型，正好可以顺手体验一次「亲手打败 2011 年的人类」。
对你意味着什么
- 做任何 AI 项目前，先自己当一遍模型：拿 50 条数据亲手标一标、答一答。你会立刻知道任务的真实难度、标注的歧义在哪、多少分算「好」——这半小时的投入回报率极高。
- 对预测保持谦卑：连卡帕西都把天花板估错了。技术曲线拐点前夜的「不可能」，参考价值有限——评估 LLM 能力边界时同样适用。
- 入门者的低垂果实：CIFAR-10 依旧是最好的练手数据集之一，先手工分几百张建立直觉，再训模型对比，是理解「模型学到了什么」的捷径。
延伸阅读
- 英文原文
- 导读：《与卷积网络同台竞技》 —— 三年后的正传：人类 5.1% 的由来
- 导读：《计算机视觉现状（2012）》 —— 从「多难」到「差多远」
- 导读：《神经网络训练配方》 —— 「与数据融为一体」的成熟版方法论