拍照就能识别万物，AI是怎么看“懂”图片的？（微信文章未删减版）

正文

欢迎来到科普中国特别推出的寒假精品栏目“给孩子的高新科技课”！

人工智能作为当今最前沿的科技之一，正在以令人惊叹的速度改变着我们的生活。从智能语音助手到无人驾驶汽车，从 AI 绘画到机器学习，它为我们打开了一个充满无限可能的未来。本栏目将以通俗易懂的方式，用视频和文字给孩子讲述人工智能的原理、应用及其对社会的深远影响。

快跟我们一起开启这场 AI 之旅吧！

先来看视频：

以下为文字版本：

生活中，AI 图像识别无处不在。

看到不认识的植物？拍张照片，分分钟就能找到答案。自动驾驶汽车也好像长了眼睛一样，能轻轻松松判断出，哪里是道路，哪里是树木。人脸识别技术，也让我们实现了刷脸支付。

而这一切，都离不开一项技术——卷积神经网络。这项技术，就像 AI 的眼睛。

想了解 AI 的眼睛是怎么工作的，我们先要看一看动物的眼睛是怎么工作的。

从猫眼到 AI 眼：视觉神经元的启示

20 世纪 50 到 60 年代，大卫·休伯尔和托斯坦·威泽尔对猫的视觉进行了研究，他们发现，在一幅画面进入猫的视野之后，猫大脑中负责视觉的神经元，被不同的东西激活了。

为了方便理解，我们看个例子。比如这样一幅画面，有的神经元对画面中物体的边缘线条非常感兴趣，会着重处理这些信息，有的神经元对大块的颜色比较敏感，更擅长处理这些信息。这些神经细胞一起工作，帮助生物识别各种复杂的图像。

埃德加·德加《去外省的赛马场》（At the Races in the Countryside）1869

这项研究，让大卫和托斯坦获得了 1981 年诺贝尔生理学或医学奖，也启发了人工智能领域一个非常重要的算法，卷积神经网络。

在 1980 年代，日本科学家福岛邦彦设计了一个叫做 Neocognitron 的模型，用来识别日文手写字符，Neocognitron 中有不同的“层”，用来提取对不同的信息，最后综合这些信息对识别到的字符进行判断。

这启发了一位叫做扬·乐昆的法国科学家，扬·乐昆设计出了最早的卷积神经网络，并且基于卷积神经网络，建立了 LeNet 模型。这个模型在当时被很多银行用来识别手写字符。我们通过一个简单的例子，来看看卷积神经网络是如何工作的。

卷积神经网络：图像识别的幕后英雄

和神经网络相比，卷积神经网络在识别图片的时候，多了两个过程：卷积和汇聚。

卷积，这个过程，是由一个叫卷积核的东西完成的。

一张图片，在计算机的眼里，其实是一个个像素点组成的矩阵，卷积核不是单独去考虑每一个像素点上的信息，而是同时对某个区域，比如 3×3，5×5 的像素点信息进行处理。这样可以综合考虑相邻像素点的信息，更好地提取出更高级特征。

你可以想象一下，卷积核就像是一个观测员拿着有特定视野的望远镜去看一幅图片，把看到的信息处理记录下来。

而且我们可以设置有不同侧重点的观测员，以提取图片中的不同维度信息。比如，有的观测员着重提取颜色信息，有的着重提取物体边缘轮廓信息，有的专门提取某个特定形状的信息。最后综合这些信息，帮助神经网络做出更好的判断。

此外，卷积神经网络还有一个重要的步骤——汇聚（又称池化）。

图片往往是一个非常大的矩阵，汇聚能够把一块区域里的信息压缩成一个信息。假如，对一个 16×16 的矩阵，可以通过汇聚的方法，提取 2×2 格子里颜色最深一格的信息，就能把它变成这样的 8×8 的矩阵。如果再进行一次相同的汇聚，就可以把 8×8 的矩阵，变成 4×4 的矩阵。虽然图像汇聚后会有一些变化，但是依然保留了整个图像中的基本特征。