進化的作用，讓人類對影象的處理非常高效。

這裡，我給你展示一張照片。

如果我這樣問你：

你能否分辨出圖片中哪個是貓，哪個是狗？

你可能立即會覺得自己遭受到了莫大的侮辱。並且大聲質問我：你覺得我智商有問題嗎？！

息怒。

換一個問法：

你能否把自己分辨貓狗圖片的方法，描述成嚴格的規則，教給計算機，以便讓它替我們人類分辨成千上萬張圖片呢？

對大多數人來說，此時感受到的，就不是羞辱，而是壓力了。

如果你是個有毅力的人，可能會嘗試各種判別標準：圖片某個位置的畫素顏色、某個區域性的邊緣形狀、某個水平位置的連續顏色長度……

你把這些描述告訴計算機，它果然就可以判斷出左邊的貓和右邊的狗了。

問題是，計算機真的會分辨貓狗圖片了嗎？

我又拿出一張照片給你。

你會發現，幾乎所有的規則定義，都需要改寫。

當機器好不容易可以用近似投機取巧的方法正確分辨了這兩張圖片裡面的動物時，我又拿出來一張新圖片……

幾個小時以後，你決定放棄。

彆氣餒。

你遭遇到的，並不是新問題。就連大法官，也有過同樣的煩惱。

1964年，美國最高法院的大法官Potter Stewart在“Jacobellis v. Ohio”一案中，曾經就某部電影中出現的某種具體影象分類問題，說過一句名言“我不準備就其概念給出簡短而明確的定義……但是，我看見的時候自然會知道”（I know it when I see it）。

原文如下：

I shall not today attempt further to define the kinds of material I understand to be embraced within that shorthand description (“hard-core pornography”), and perhaps I could never succeed in intelligibly doing so. But I know it when I see it, and the motion picture involved in this case is not that.

考慮到精神文明建設的需要，這一段就不翻譯了。

人類沒法把圖片分辨的規則詳細、具體而準確地描述給計算機，是不是意味著計算機不能辨識圖片呢？

當然不是。

2017年12月份的《科學美國人》雜誌，就把“視覺人工智慧”（AI that sees like humans）定義為2017年新興技術之一。

你早已聽說過自動駕駛汽車的神奇吧？沒有機器對影象的辨識，能做到嗎？

你的好友可能（不止一次）給你演示如何用新買的iPhone X做面部識別解鎖了吧？沒有機器對影象的辨識，能做到嗎？

醫學領域裡，計算機對於科學影像（如X光片）的分析能力，已經超過有多年從業經驗的醫生了。沒有機器對影象的辨識，能做到嗎？

你可能一下子覺得有些迷茫了——這難道是奇蹟？

不是。

計算機所做的，是學習。

通過學習足夠數量的樣本，機器可以從資料中自己構建模型。其中，可能涉及大量的判斷準則。但是，人類不需要告訴機器任何一條。它是完全自己領悟和掌握的。

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

相關推薦