那张猫的照片，它比我记得还清楚
前几天翻手机相册，想找一张去年拍的流浪橘猫。手指刚划拉了两下，相册自己弹出一个分类——“猫”。点进去，十七张，一张不落。连我半夜随手拍糊了的那张都有。
说实话，有点后背发凉。
我知道这是计算机视觉在干活。可每次它精准识别出“这是一只猫”的时候，我还是会愣一下。它到底看见了什么？跟我看见的是同一个东西吗？
今天咱们就聊聊这个。不讲公式，不讲代码，就说说你手机里那个默默无闻的“看图高手”。
像素只是数字，它得从一堆数字里“猜”出猫
你拍一张照片，在电脑眼里是什么？
是一大堆数字。每个像素有三个颜色通道，红绿蓝各一个值，从0到255。一张1200万像素的照片，就是3600万个数字排成方阵。对，3600万个。你看到的是猫的胡须、耳朵、毛茸茸的尾巴，它看到的是3600万个跳动的数字。
那它怎么从这些数字里看出“猫”的？
简单说，分三步。第一步，找边缘。数字变化剧烈的地方就是边缘——比如猫耳朵和背景的交界处。第二步，把边缘拼成形状。圆形、三角形、不规则曲线。第三步，把形状组合成“有耳朵、有胡须、有尾巴”的模式。
但这里有个坑。它不知道什么是“耳朵”。它只知道，在大量猫的照片里，某个特定部位的像素排列，反复出现了。“耳朵”只是人类给这个模式起的名字。
所以它其实不认识猫。它只是见过足够多的猫，然后记住了那些重复出现的规律。
为什么双胞胎它老是认错？
这事我琢磨过很久。
人脸识别解锁手机，双胞胎能互相解锁，概率不低。以前觉得是技术不行，后来才想明白——它看的不是脸，是脸上那些“关键点”之间的距离。
两个眼睛的间距、鼻尖到下巴的长度、嘴角的弧度……这些数据只要够接近，它就判定是同一张脸。双胞胎的这些数据，本来就接近得离谱。对吧？
但有意思的是，它对光线和角度又特别敏感。你换个发型、戴个墨镜，它可能就犹豫了。这说明什么？说明它死板。它记住的是具体的数值组合，不是“你这个人”。
你剪了头发，数值变了，它就懵了。你还得重新录一遍。
自动驾驶看到的马路，跟你想的不一样
再说个更刺激的。
你开车，看到前面有个小孩在路边，脚往马路方向挪了半步。你心里咯噔一下，脚已经放到刹车上。这个判断，零点几秒。
计算机视觉在自动驾驶里做的事，跟这个像，但完全不是一回事。它先检测——把画面里所有像“人”的框都标出来。再跟踪——看这个框有没有往车道方向移动。再预测——根据移动速度和方向，判断它会不会冲出来。
每一步都是概率。每一步都可能出错。
比如下雨天，雨刮器刮过去那一瞬间，画面里有个模糊的白色形状。它得判断这是塑料袋还是人。是塑料袋，不用刹车；是人，必须刹。这种判断，它做得没你准。因为它没有常识。它只见过训练数据里有的东西，没见过“风把塑料袋吹成人的形状”这种破事。
所以现在的自动驾驶，还不敢完全撒手。不是技术不到位，是这个世界太不讲道理了。
拍糊了的照片它也能认，靠的是“脑补”
说回我那张糊掉的猫。
明明所有边缘都虚了，颜色也晕成一片，它还是认出来了。为什么？
因为它在训练的时候，见过大量不同清晰度、不同角度、不同光照的猫。它脑子里（如果算有的话）有一个关于“猫”的概率分布。看到模糊的黄色一团加两个尖尖的形状，它就算——这团东西是猫的概率，大概百分之七十八。
它不需要看清。它只需要“大概像”。
你可能会说，这不就是蒙吗？还真不是。人类也这么干。你远远看见一个模糊的轮廓，朋友说“那是老王”，你点点头。其实你根本没看清脸。你只是根据“这个时间、这个地点、这个体型”综合判断，大概是老王。
计算机视觉也是这么想的。只不过它的“综合判断”比你的直觉更系统，也更死板。
它一直在看，但从不“懂”
所以下次手机相册给你整理出“猫”的文件夹，你可以这么理解：
它不是认出了猫。它只是从3600万个数字里，找到了足够多的、跟以前见过的猫照片相似的模式。
它不知道猫是柔软的、会打呼噜的、会在凌晨四点跑酷的。它只知道，这些像素的排列方式，以前被人类标记过“猫”。
从这个角度看，计算机视觉挺像一面镜子。它不产生意义，它只是反射人类教给它的东西。你教它什么是猫，它就找什么。你教它什么是行人，它就盯什么。
至于它到底看见了什么……
大概只有那3600万个数字知道。