手机相册搜“猫”,哗——一百多张弹出来。但你搜“那只躺在沙发上睡觉的橘猫”,一片空白。一张都没有。
奇怪吧?明明它认得猫。
这事我想过挺久。后来大概想明白了。它认的压根不是“猫”这个概念,它认的是一种……怎么讲呢,数学上的相似性。跟人看东西完全两码事。
它眼里的照片,是一张巨大的Excel表
你手机拍一张照片,五千万像素。什么概念?五千多万个点。每个点有三个数:红、绿、蓝的亮度,从0到255。计算机视觉干的第一步,就是把这堆数字排成一张大表——在计算机眼里,你的照片就是一张密密麻麻的Excel表格。
没有猫。没有沙发。没有阳光。
只有数字。
它看到的是:这边一片区域R=230, G=180, B=120,那边一块R=50, G=45, B=40。然后它开始找边缘。哪里颜色突然变了?一条线。两条线夹角九十度?可能是个矩形。很多曲线围成一块区域?

再往后就复杂了。卷积神经网络,这词你可能听过。简单说它就是一层层地找特征。第一层找边缘和色块。第二层把边缘拼成小形状——圆圈、三角。第三层把小形状拼成更大结构——比如“毛茸茸的球状物”。第四层……
到最后一层,它输出一个概率:这张图里有个东西,87%的可能是猫。
注意,是87%可能。它不是“知道”,是在猜。
认猫容易,认“你家的猫”为什么那么难?
因为训练它的人给了它一百万张猫的照片,各种猫,各种角度,各种光线。它学会了“猫的一般规律”。但你家那只橘猫——胖的、爱躺沙发的、耳朵有个小缺口的——它没有专门学。
或者说,在它的数学空间里,“猫”这个类别是一个模糊的区域。你家的猫和邻居家的猫,落在这个区域里可能非常近。近到它区分不了。
那它怎么区分不同的人脸?
这个不一样。人脸识别专门训练过。你手机里录入你自己的脸,它提取的不是“这是一张脸”,而是你脸上那些微妙的几何关系——两眼间距、鼻梁宽度、颧骨弧度……用一百多个关键点描述成一组数字。
所以它能认你,但认不出你家猫。
挺讽刺的对吧。

那些年被AI看走眼的名场面

说几个段子。
有人把一张熊猫照片加了一点噪声——肉眼完全看不出区别——AI看了直接判定:长臂猿。置信度99.3%。离谱。
还有更离谱的。一个停车标志上贴了几张黑白贴纸,AI就认不出来了。它说那是“限速45”。为什么?因为贴纸改变了像素统计特征,而AI学到的“停车标志”其实是那些像素的统计规律,不是“红色八角形”这个含义。
它没有常识。
它不知道停车标志就是要在路口让人停下来的东西。它只知道:一堆像素,前面有“停车标志”标签的样本长得像这样。
还有那个经典的。把一张猫的照片旋转一下,有些早期模型就认不出来了。但人不管你怎么转,哪怕倒过来,你都知道那是猫。对吧?
那它到底在“看”什么?
说实话,到现在也没人能完全解释清楚一个训练好的深度网络内部到底发生了什么。我们知道它有效,知道它怎么计算,但不知道它“理解”了什么。有点黑箱。
2015年有个挺有意思的实验。研究者把网络里某几个神经元放大看,发现有一个神经元专门对“猫脸”响应特别强。你给它任何猫脸图片,它就亮。无论是真猫、卡通猫还是猫的简笔画。但给它狗脸,没反应。
这层神经元的输出,某种程度上就是它“眼中的猫”。
但也就到这儿了。它没有“哦,这是只猫”这种感受。它只是一组数字跳了一下。
你的手机相册到底在干嘛
回到开头那个问题。
你搜“猫”,它为什么能找出来?因为你手机里跑着一个轻量级的神经网络,你每次拍新照片,它后台都在跑一遍,打个标签:“猫:0.92,室内:0.87,沙发:0.65……”
这些标签是预设好的几千个类别之一。它是在做选择题。
你搜“躺在沙发上的橘猫”——这个组合太具体了。它可能分别识别出了“沙发”和“猫”,但它不知道这两样东西在空间上的关系。“橘猫”这个颜色属性也许有,“躺着”这个姿态也许有。但“躺在沙发上的橘猫”作为一个整体语义?超出了它的能力。
人看一眼就懂了。因为你有生活经验,你知道猫爱躺沙发,你记得你家猫那天是懒洋洋地窝在那儿晒太阳。
它没有这些。
它只有数字。一大堆数字。
不过话说回来,这已经挺厉害了。二十年前,计算机连猫和狗都分不清。现在你随手一拍,它就能告诉你有几只猫、什么颜色、在干嘛。虽然偶尔会把你家的橘猫认成面包。
……等等,这不是段子。真有人做过实验,把橘猫照片喂给AI,有相当概率输出“面包”。因为毛色纹理和烤面包片太像了。
所以下次你手机相册又把你家猫认错了,别生气。它只是在做数学题。一道它自己也没完全搞懂的数学题。