Brickit 的 AI 识别原理——机器学习怎么认出每块积木

核心技术：计算机视觉 + 机器学习

Brickit 能做到"扫一眼就认出一堆积木里每一块是什么"，背后靠的是计算机视觉技术，加上一套非常务实的机器学习训练流程。官方在介绍页里公开了这个流程的基本思路，这里用更通俗的方式解释一下。

第一步：造无限多的训练数据

真实世界里的积木堆有无数种可能的摆放方式、光照条件、背景色。靠人工拍摄训练样本永远拍不完。

Brickit 的做法是：用 3D 图形引擎生成几乎无限多的积木堆模拟图。他们把各种积木的 3D 模型以随机方式堆在一起，随机打光、随机加背景，得到数十万张、每一张都不一样的"假照片"。这些假照片上，AI 知道每个像素对应的是哪块积木——因为是自己生成的。

第二步：先在模拟图上训练

把这些合成图喂给神经网络，让它学习"什么像素组合对应什么形状的积木"。这个阶段相当于在做题海中的模拟题。

第三步：用真实用户照片继续打磨

模拟图和真实照片之间总有差距（手机摄像头的噪点、真实光照下的阴影、实际积木的磨损褪色……）。所以 Brickit 还会把用户真实扫描的照片（匿名化后）也用来继续训练模型——算法每认错一次，就相当于做了一道新的真题。

这也是 Brickit 识别准确率一直在提升的原因：用的人越多，模型越聪明。

识别能力的边界

根据官方数据，当前模型可以识别大约 1600 种最常见的乐高零件。这覆盖了大多数玩家日常会遇到的型号，但不是乐高全部生产过的几万个零件型号。

识别不准的常见原因：

• 积木有磨损或褪色——新积木识别率更高
• 两块积木紧贴在一起——AI 可能当一块处理
• 小零件——颗粒越小越容易被漏掉
• 光线太暗或反光太强——见光线与拍摄角度

你也可以帮它进步

Brickit 设计了非常轻量的"纠错"交互：当 AI 认错或漏认时，你可以在扫描结果上直接修改，这些修改会匿名回到训练数据里——等于每次你手动修正一个识别错误，都在帮全球用户的识别准确率往前走一小步。

想要识别更准，先看把积木铺平准备扫描——扫前的准备工作对识别率影响极大。