本文屬于個(gè)人觀點(diǎn)，跟本人在職公司的立場(chǎng)無關(guān)。由于最近 GitHub 服務(wù)器在國內(nèi)訪問速度嚴(yán)重變慢，雖然經(jīng)過大幅度壓縮尺寸，文中的圖片仍然可能需要比較長(zhǎng)時(shí)間才能加載。這篇文章揭示了 AI 領(lǐng)域重要的謬誤和不實(shí)宣傳，為了阻止愚昧的蔓延，我鼓勵(lì)大家轉(zhuǎn)發(fā)這篇文章和它的后續(xù)，轉(zhuǎn)發(fā)時(shí)只需要注明作者和出處就行。
很多人以為人工智能就快實(shí)現(xiàn)了，往往是因?yàn)樗麄兓煜恕白R(shí)別”和“理解”。現(xiàn)在所謂的“人工智能”都是在做識(shí)別：語音識(shí)別，圖像識(shí)別，而真正的智能是需要理解能力的。我們離理解有多遠(yuǎn)呢？恐怕真正的工作根本就沒開始。
很長(zhǎng)時(shí)間以來，我都在思索理解與識(shí)別的差別。理解與識(shí)別是很不一樣的，卻總是被人混為一談。我深刻的明白理解的重要性，可是我發(fā)現(xiàn)很少有其他人知道“理解”是什么。AI 領(lǐng)域因?yàn)榛煜俗R(shí)別和理解，一直以來處于混沌之中。
最近因?yàn)閳D像識(shí)別等領(lǐng)域有了比較大的進(jìn)展，人們對(duì) AI 產(chǎn)生了很多科幻似的，盲目的信心，出現(xiàn)了自 1980 年代以來最大的一次“AI 熱”。很多人以為 AI 真的要實(shí)現(xiàn)了，被各大公司鼓吹的“黑科技”沖昏了頭腦，卻看不到現(xiàn)有的 AI 方法與人類智能之間的巨大鴻溝。所以下面我想介紹一下我所領(lǐng)悟到的機(jī)器和人類在視覺能力方面的差距，希望一些人看到之后，能夠再次擁有冷靜的頭腦。
在之前一篇文章《人工智能的局限性》中，我已經(jīng)闡述了對(duì)自然語言處理領(lǐng)域誤區(qū)的看法。當(dāng)時(shí)因?yàn)閷?duì)計(jì)算機(jī)視覺方面了解不多，所以沒有包含視覺方面的內(nèi)容。熟悉了機(jī)器視覺的各種做法之后，我想在這篇文章里詳述一下視覺方面的內(nèi)容。這兩篇文章加在一起，可以說概括了我對(duì) AI 語言和視覺兩個(gè)方面的領(lǐng)悟。
對(duì)于視覺，AI 領(lǐng)域混淆了“圖像識(shí)別”和“視覺理解”?，F(xiàn)在熱門的所謂 “AI” 都是“圖像識(shí)別”，而動(dòng)物的視覺系統(tǒng)具有強(qiáng)大的“視覺理解”。視覺理解和圖像識(shí)別有著本質(zhì)的不同。
深度學(xué)習(xí)視覺模型（CNN一類的）只是從大量數(shù)據(jù)擬合出從“像素=>名字”的函數(shù)。它也許能從一堆像素猜出圖中物體的“名字”，但它卻不知道那個(gè)物體“是什么”，無法對(duì)物體進(jìn)行操作。注意我是特意使用了“猜”這個(gè)字，因?yàn)樗娴氖窃诓?，而不像人一樣?zhǔn)確的知道。
“圖像識(shí)別”跟“語音識(shí)別”處于同樣的級(jí)別，停留在語法（字面）層面，而沒有接觸到“語義”。語音識(shí)別是“語音=>文字”的轉(zhuǎn)換，而圖像識(shí)別則是“圖像=>文字”的轉(zhuǎn)換。兩者都輸出文字，而“文字”跟“理解”處于兩個(gè)不同的層面。文字是表面的符號(hào)，你得理解了它才會(huì)有意義。
怎樣才算是“理解了物體”呢？至少，你得知道它是什么形狀的，有哪些組成部分，各部分的位置和邊界在哪里，大概是什么材料做成的，有什么性質(zhì)。這樣你才能有效的對(duì)它采取行動(dòng)，達(dá)到需要的效果。否則這個(gè)物體只是一個(gè)方框上面加個(gè)標(biāo)簽，不能精確地進(jìn)行判斷和操作。
想想面對(duì)各種日常事物的時(shí)候，你的腦子里出現(xiàn)的是它們的名字嗎？比如你拿起刀準(zhǔn)備切水果，旁邊沒有人跟你說話，你的腦子里出現(xiàn)了“刀”這個(gè)字嗎？一般是沒有的。你的腦子里出現(xiàn)的不是名字，而是“常識(shí)”。常識(shí)不是文字，而是一種抽象而具體的數(shù)據(jù)。
你知道這是一把刀，可是你的頭腦提取的不是“刀”這個(gè)字，而是刀“是什么”。你的視覺系統(tǒng)告訴你它的結(jié)構(gòu)是什么樣的。你知道它是金屬做的，你看到刀尖，刀刃，刀把，它也許是折疊的。經(jīng)驗(yàn)告訴你，刀刃是鋒利的可以切東西的部分，碰到可能會(huì)受傷，刀把是可以拿的地方。如果刀是折起來的，你得先把它翻開，那么你從哪一頭動(dòng)手才能把它翻開，它的軸在哪里？
你順利拿起刀，開始切水果?？墒悄愕念^腦里仍然沒有出現(xiàn)“刀”這個(gè)字，也沒有“刀刃”，“刀把”之類的詞。在切水果的同時(shí)，你大腦的“語言中心”可能在哼一首最近喜歡的歌詞，它跟刀沒有任何關(guān)系。語言只是與其他人溝通的時(shí)候需要的工具，自己做事的時(shí)候我們并不需要語言。完成切水果的動(dòng)作，你需要的是由視覺產(chǎn)生的對(duì)物體結(jié)構(gòu)的理解，而不是語言。
你不需要知道一個(gè)物品叫什么名字就能正確使用它。同樣的，光是知道一個(gè)物品的名字，并不能幫助你使用它?？吹揭粋€(gè)物體，如果腦子里首先出現(xiàn)的是它的名字，那么你肯定是很愚鈍的人，無法料理自己的生活?，F(xiàn)在的“機(jī)器視覺”基本就是那樣的。機(jī)器也許能得出圖片上物體的名字，卻不知道它是什么，無法操作它。
試想一下，一個(gè)不能理解物體結(jié)構(gòu)的機(jī)器人，它只會(huì)使用圖像識(shí)別技術(shù)，在你的頭上識(shí)別出一個(gè)個(gè)的區(qū)域，標(biāo)注為“額頭”，“頭發(fā)”，“耳朵”…… 你敢讓它給你理發(fā)嗎？
這就是我所謂的“視覺理解”與“圖像識(shí)別”的差別。你會(huì)意識(shí)到，這種差別是巨大的。
如果我們降低標(biāo)準(zhǔn)，只要求識(shí)別出物體的名字，那么以像素為基礎(chǔ)的圖像識(shí)別，比如卷積神經(jīng)網(wǎng)絡(luò)（CNN），也是沒法像人一樣準(zhǔn)確識(shí)別物體的。人識(shí)別物體并不是像神經(jīng)網(wǎng)絡(luò)那樣的“拍照，識(shí)別”兩節(jié)拍動(dòng)作，而是一個(gè)動(dòng)態(tài)的，連續(xù)的過程：觀察，理解，觀察，理解，觀察，理解……
感官接受信息，中間穿插著理解，理解反過來又控制著觀察的方向和順序。理解穿插在了識(shí)別物體的過程中，“觀察/理解”成為不可分割的整體。人看到物體的一部分，理解了那是什么，然后繼續(xù)觀察它周圍是什么，反復(fù)這個(gè)過程，最后才判斷出物體是什么。機(jī)器在識(shí)別的過程中沒有理解的成分存在，這就是為什么機(jī)器在圖像識(shí)別能力上無法與人類匹敵。
這個(gè)“觀察/理解”的過程發(fā)生的如此之快，眨眼間就完成了，以至于很多人都沒察覺到其中“理解成分”的存在。所以我們現(xiàn)在放慢這個(gè)過程，來一個(gè)慢鏡頭特寫，看看到底發(fā)生了什么。假設(shè)你從來沒見過下面這個(gè)東西，你知道它是什么嗎？
一個(gè)從沒見過這東西的人，也會(huì)知道這是個(gè)“車”。為什么呢？因?yàn)樗休喿印槭裁茨阒滥鞘禽喿幽?？仔?xì)一想，因?yàn)樗菆A的，中間有軸，所以好像能在地面上滾動(dòng)。為什么你知道那是“軸”呢？我就不繼續(xù)折騰你了，自己想一下吧。所有這些分析都是“視覺理解”所產(chǎn)生的，而這些理解依賴于你一生積累的經(jīng)驗(yàn)，也就是我所謂的“常識(shí)”。
其實(shí)為了識(shí)別這個(gè)東西，你并不需要分析這么多。你之所以做這些分析，是因?yàn)榱硪粋€(gè)人問你“你怎么知道的？” 人識(shí)別物體靠的是所謂“直覺”。一看到這個(gè)圖片，你的腦子里自然產(chǎn)生了一個(gè) 3D 模型。一瞬間之后，你意識(shí)到這個(gè)模型符合“車”的機(jī)械運(yùn)動(dòng)原理，因?yàn)槟阋郧翱匆娺^汽車，火車，拖拉機(jī)…… 你的腦子里浮現(xiàn)出這東西可能的運(yùn)動(dòng)鏡頭，你仿佛看到它隨著輪子在動(dòng)。你甚至看到其中一個(gè)輪子壓到巖石，隨著連桿抬了起來，而整個(gè)車仍然保持平衡，沒有反倒，所以這車也許能對(duì)付崎嶇的野外環(huán)境。
這里有一個(gè)容易忽視的要點(diǎn)，那就是輪子的軸必須和車體連在一起。如果輪子跟車體沒有連接，或者位置不對(duì)，看起來無法帶著車體一起運(yùn)動(dòng)，人都是知道的。這種輪軸與車身的連接關(guān)系，屬于一種叫“拓?fù)洹保╰opology）的概念。
拓?fù)鋵W(xué)是一門難度挺高的數(shù)學(xué)分支，但人似乎天生就理解某些淺顯的拓?fù)涓拍?。?shí)際上似乎高等動(dòng)物都或多或少理解一些拓?fù)涓拍?，它們一看就知道哪些東西是連在一起的，哪些是分開的。捕獵的動(dòng)物都知道，獵物的尾巴是跟它們身體連在一起的，所以咬住它們的尾巴就能抓住它們。
拓?fù)鋵W(xué)還有一個(gè)重要的概念，那就是“洞”。聰明一點(diǎn)的動(dòng)物基本上都理解“洞”的概念。很顯然老鼠，兔子等穴居動(dòng)物必須理解洞是什么。它們的天敵，貓科動(dòng)物等，也理解洞是什么。如果我拿一個(gè)紙箱給我的貓玩，我在上面挖一個(gè)洞，等他鉆進(jìn)去，他是不會(huì)進(jìn)去的。我必須在上面挖兩個(gè)洞，他才會(huì)進(jìn)去。為什么呢？因?yàn)樗?，要是箱子上面只有一個(gè)洞，要是他進(jìn)去之后洞被堵上，他就出不來了！
機(jī)器如何才能理解洞這個(gè)概念呢？它如何理解“連續(xù)”？
總之，人看到物體，他看到的是一個(gè) 3D 模型，他理解其中的拓?fù)潢P(guān)系和幾何性質(zhì)，所以一個(gè)人遇到前所未見的物體，他也能知道它大概是什么，推斷出如何使用它。理解使得人可以非常準(zhǔn)確地識(shí)別物體。沒有理解能力的機(jī)器是做不到這一點(diǎn)的。
人的眼睛與攝像頭有著本質(zhì)的差異。眼睛的視網(wǎng)膜中央非常小的一塊區(qū)域叫做“fovea”，里面有密度非常高的感光細(xì)胞，而其它部分感光細(xì)胞少很多，是模糊的?？墒茄劬κ菚?huì)轉(zhuǎn)動(dòng)的，它被腦神經(jīng)控制，敏捷地跟蹤著感興趣的部分：線條，平面，立體結(jié)構(gòu)…… 人的視覺系統(tǒng)能夠精確地理解物體的形狀，理解拓?fù)洌疫@些都是 3D 的。人腦看到的不是像素，而是一個(gè) 3D 拓?fù)淠Ｐ汀?/p>
眼睛觀察的順序，不是一行一行從上往下把每個(gè)“像素”都記下來，做成 6000x4000 像素的圖片，而是聚焦在重點(diǎn)上。它可以沿著直線，也可以沿著弧線觀察，可以轉(zhuǎn)著圈，也可以跳來跳去的。人腦通過自己的理解能力，控制著眼睛的運(yùn)動(dòng)，讓它去觀察所需要的重點(diǎn)。由于視網(wǎng)膜中央分辨率極高，所以人腦可以得到精度非常高的信息。然而由于不是每個(gè)地方都看的那么仔細(xì)，所以眼睛采集的信息量可能不大，人腦需要處理的信息也不會(huì)很多。
人的視覺系統(tǒng)能理解點(diǎn)，線，面的概念，理解物體的表面是連續(xù)的還是有洞，是凹陷的還是凸起的，分得清里和外，遠(yuǎn)和近，上下左右…… 他能理解物體的表面是什么質(zhì)地，如果用手去拿會(huì)有什么樣的反應(yīng)。他能想象出物體的背面大概是什么樣子，他能在頭腦中旋轉(zhuǎn)或者扭曲物體的模型。如果物體中間有缺損，他甚至能猜出那位置之前什么樣子。
人的視覺系統(tǒng)比攝像頭有趣的多。很多人都看過“光學(xué)幻覺”（optical illusion）的圖片，它們從一個(gè)角度揭示了人的視覺系統(tǒng)背后在做什么。比如下圖本來是一個(gè)靜態(tài)的圖片，可是你會(huì)感覺有很多暗點(diǎn)在白線的交叉處，但如果你仔細(xì)看某一個(gè)交叉處，暗點(diǎn)卻又不見了。這個(gè)幻覺很經(jīng)典，被叫做 Herman grid，在神經(jīng)科學(xué)界被廣泛研究。稍后我還會(huì)提到這個(gè)東西。
本來是靜態(tài)圖片，你卻感覺它在轉(zhuǎn)。
本來上下兩塊東西是一樣的顏色，可是看起來下面的顏色卻要淺一些。如果你用手指擋住中間的高亮部分，就會(huì)發(fā)現(xiàn)上下兩塊的顏色其實(shí)是一樣的。
另一個(gè)類似的幻覺，是著名的“Abelson 棋盤幻覺”。圖中 A 和 B 兩個(gè)棋盤格子的顏色是一樣的，你卻覺得 A 是黑色，而 B 是白色。不信的話你可以用軟件把這兩塊格子從圖片上切下來，挨在一起對(duì)比一下。如果你好奇這是為什么，可以參考這篇文章。
在下圖里，你會(huì)覺得看見了一個(gè)黑色的倒三角形，可是其實(shí)它并不存在。
很多的光學(xué)幻覺都說明人的視覺系統(tǒng)不是簡(jiǎn)單的攝像頭一樣的東西，它具有某些特殊功能。這些特殊功能和機(jī)制導(dǎo)致了這些幻覺。這使得人類視覺不同于機(jī)器，使得人能夠提取出物體的結(jié)構(gòu)信息，而不是只看到像素。
提取物體的拓?fù)浣Y(jié)構(gòu)特征，這就是為什么人可以理解抽象畫，漫畫，玩具。雖然世界上沒有貓和老鼠長(zhǎng)那個(gè)樣子，一個(gè)從來沒看過《貓和老鼠》動(dòng)畫片的小孩，卻知道這是一只貓和一只老鼠，后面有個(gè)房子。你試試讓一個(gè)沒有拿《貓和老鼠》劇照訓(xùn)練過的深度學(xué)習(xí)模型來識(shí)別這幅圖？
更加抽象的玩具，人也能識(shí)別出它們是哪些人物。頭和四肢都變成了方的，居然還是覺得很“像”。你不覺得這很神奇嗎？
人腦理解“拓?fù)洹钡母拍?，這使得人能夠不受具體像素干擾而正確處理各種物體。對(duì)拓?fù)浣Y(jié)構(gòu)的理解使得人對(duì)物體的識(shí)別非常準(zhǔn)確，甚至可以在信息不完整，模糊，扭曲的情況下工作，在惡劣的天氣環(huán)境下，有反光，有影子的情況下也能識(shí)別物體。
說到反光，你有想過機(jī)器要如何才能識(shí)別出場(chǎng)景里有一面鏡子或者玻璃嗎？如果場(chǎng)景中有反光的物體，比如鏡子，平靜的水面，鍍鉻的物品，神經(jīng)網(wǎng)絡(luò)（CNN）那種依靠像素濾鏡訓(xùn)練出來的函數(shù)還會(huì)有用嗎？要知道它們看到的像素，可能有一大片是通過鏡面反射形成的，所以無法通過局部的紋理識(shí)別出這種情況來。
這是個(gè)現(xiàn)實(shí)的問題。自動(dòng)車或者機(jī)器人要如何知道前面的路面上有積水或者結(jié)冰了？它們要如何知道從水面反射過來的鏡像不是真實(shí)的物體？比如，它們?nèi)绾沃老聢D里路面上的倒影不是真正的樹呢？要知道，倒影的像素紋理，跟真實(shí)的場(chǎng)景可能是非常相似的。
人是通過對(duì)光的理解，各種常識(shí)來識(shí)別鏡子，玻璃，地上的水和冰的存在。一個(gè)不理解光和水的性質(zhì)的機(jī)器，它能察覺這些東西的存在嗎？靠像素分析能知道這些？要知道，這些東西在某些地方出現(xiàn)，可以是致命的危險(xiǎn)。
很有趣的事情，理解光線的反射和折射，似乎已經(jīng)固化到了每個(gè)動(dòng)物的視覺系統(tǒng)里面。我觀察到這一點(diǎn)，是因?yàn)槲业呐P室和客廳之間的櫥柜門上有兩面大鏡子。我的貓?jiān)谂P室里，能夠從鏡子里看見我在客廳拿著逗貓繩。他沖過來的時(shí)候卻不會(huì)撞到鏡子上面，而是出了臥室門立馬轉(zhuǎn)一個(gè)角度，沖向我的方向。我每次看到他敏捷的動(dòng)作都會(huì)思考，他是如何知道鏡子的存在呢？他是如何知道鏡子里的貓就是他自己，而不是另一只貓？
說了光，再來說影吧。畫過素描的人都知道，開頭勾勒出的輪廓是沒有立體感的，然后你往恰當(dāng)?shù)奈恢眉右恍╆幱?，就有了立體感。所以動(dòng)物的視覺系統(tǒng)里存在對(duì)影子的分析處理，而且這種功能我們似乎從來沒需要學(xué)習(xí)，生下來就有?！傲Ⅲw視覺”是如此強(qiáng)烈的固化到了我們的頭腦里，一旦產(chǎn)生了立體感，你就很難再看見平面的像素。
靠著光和影的組合，人和動(dòng)物能得到很多信息。比如上圖，我們不但看得出這是一個(gè)立體的雞蛋，而且能推斷出雞蛋下面是一個(gè)平面，可能是一張桌子，因?yàn)橛嘘幱巴对诹松厦妗?/p>
神經(jīng)網(wǎng)絡(luò)知道什么是影子嗎？它如何知道影子不是實(shí)際存在的物體呢？它能從影子得到有用的信息嗎？
神經(jīng)網(wǎng)絡(luò)根本不知道影子是什么。早就有人發(fā)現(xiàn)，Tesla 基于圖像識(shí)別的 Autopilot 系統(tǒng)會(huì)被陰影所迷惑，以為路面上的樹影是一個(gè)障礙物，試圖避開它，卻差點(diǎn)撞上迎面來的車。我在很早的一篇文章已經(jīng)談過這個(gè)問題。
再來一個(gè)關(guān)于繪畫的話題。學(xué)畫的初期，很多人都發(fā)現(xiàn)畫“透視”特別困難。所謂透視就是“近大遠(yuǎn)小”。本來房子的幾堵墻都是長(zhǎng)方形，是一樣高的，可是你得把遠(yuǎn)的那一邊畫短一些，而且相關(guān)部分的比例都要畫對(duì)，就像照片上那樣，所以墻就成了梯形的。房頂，窗戶等，也全都得做相應(yīng)的調(diào)整。你得這樣畫，看畫的人才會(huì)感覺是對(duì)的，不然就會(huì)感覺哪里不對(duì)勁，不真實(shí)。
這件事真的很難，大部分人（包括我）一輩子都沒學(xué)會(huì)畫透視。雖然拿起筆來量一下，我確實(shí)看到遠(yuǎn)的那一邊要短一些，可是我的腦子似乎會(huì)“自動(dòng)糾錯(cuò)”，讓我認(rèn)為它們都是一樣長(zhǎng)的。所以要是光靠眼睛徒手作畫，我會(huì)把那些邊都畫成一樣長(zhǎng)。我似乎永遠(yuǎn)學(xué)不會(huì)畫畫！
畫透視是如此困難的事情，以至于 16 世紀(jì)的德國畫家丟勒為此設(shè)計(jì)了一種專門的設(shè)備。
你可能沒有想到，這個(gè)使得我們學(xué)畫困難的罪魁禍?zhǔn)?，其?shí)是人類視覺系統(tǒng)的一項(xiàng)重要功能，它幫助我們理解身邊的環(huán)境。雖然眼睛看到的物體是近大遠(yuǎn)小，可是人腦會(huì)自動(dòng)調(diào)整它們?cè)谀恪邦^腦里的長(zhǎng)度”，所以你知道它們是一樣長(zhǎng)的。
這也許就是為什么人能從近大遠(yuǎn)小的光學(xué)成像還原出正確的 3D 模型。在你頭腦中的模型里面，房子的幾堵墻是一樣高的，就像它們?cè)诂F(xiàn)實(shí)中的情況一樣。有了準(zhǔn)確的 3D 模型，人才能正確地控制自己在房子周圍的運(yùn)動(dòng)。
這種導(dǎo)致我們學(xué)畫困難的“3D 自動(dòng)糾錯(cuò)”功能，似乎固化到了每個(gè)人，每個(gè)高等動(dòng)物的視覺系統(tǒng)里。我們并不需要學(xué)習(xí)就有這種能力，它一直都在起作用。反倒是我們要想“關(guān)掉”這個(gè)功能的時(shí)候，需要付出非常多的努力！
為什么人想要畫出透視效果那么困難呢？因?yàn)橐话闳水嫯?，都不是在畫他們頭上那兩只眼睛看到的東西，而是在畫他們的“心之眼”（mind’s eye）看到的東西——他們頭腦中的那個(gè) 3D 模型。這個(gè) 3D 模型是跟現(xiàn)實(shí)“同構(gòu)”的，模型里房子的墻壁都是一樣高的，他們畫出來也是一樣高的，所以就畫錯(cuò)了。只有經(jīng)過專業(yè)訓(xùn)練的畫家，才有能力關(guān)閉“心之眼”，直接畫出眼睛看到的東西。
我猜想，每一種高等動(dòng)物的視覺系統(tǒng)都有類似的機(jī)制，使得它們從光學(xué)成像“重構(gòu)”出與現(xiàn)實(shí)同構(gòu)的 3D 模型。缺乏 3D 建模能力的機(jī)器，是無法準(zhǔn)確理解看到的物體的。
現(xiàn)在很多自動(dòng)駕駛車用激光雷達(dá)構(gòu)造 3D 模型，可是相對(duì)于人類視覺形成的模型，真是太粗糙了。激光雷達(dá)靠主動(dòng)發(fā)射激光，產(chǎn)生一個(gè)掃描后的“點(diǎn)云”，分辨率很低，只能形成一個(gè)粗糙的 3D 輪廓，無法識(shí)別物體，也無法理解它的結(jié)構(gòu)。我們應(yīng)該好好思考一下，為什么人僅靠被動(dòng)接收光線就能構(gòu)造出如此精密的 3D 模型，理解物體的結(jié)構(gòu)，而且能精確地控制自己的動(dòng)作來操作這些物體。
現(xiàn)在的深度學(xué)習(xí)模型都是基于像素的，沒有抽象能力，不能構(gòu)造 3D 拓?fù)淠Ｐ?，甚至連位置關(guān)系都分不清楚。缺乏人類視覺系統(tǒng)的這種“結(jié)構(gòu)理解”能力，可能就是為什么深度學(xué)習(xí)模型需要那么多的數(shù)據(jù)，那么多的計(jì)算，才勉強(qiáng)能得出物體的名字。而小孩子識(shí)別物體根本不需要那么多數(shù)據(jù)和計(jì)算，看一兩次就知道這東西是什么了。
人腦提取了物體的要素，所以很多信息都可以忽略了，所以人需要處理的數(shù)據(jù)量，可能比深度學(xué)習(xí)模型小很多。深度學(xué)習(xí)領(lǐng)域盲目地強(qiáng)調(diào)提高算力，制造出越來越大規(guī)模的計(jì)算芯片，GPU，TPU…… 可是大家想過人腦到底有多大計(jì)算能力嗎？它可能并不需要很多計(jì)算。
從上面的各種現(xiàn)象，我們也許已經(jīng)看明白了，人類視覺系統(tǒng)是很神奇的?，F(xiàn)有的機(jī)器視覺研究并沒有理解人類視覺的這些能力是怎么實(shí)現(xiàn)的。在接下來的續(xù)集中我們會(huì)詳細(xì)的看清楚，AI 領(lǐng)域到底理解多少人類神經(jīng)系統(tǒng)的構(gòu)造。
聯(lián)系客服
