图像识别

它是什么

图像识别，是给图片一个判断或标签的技术。它是 人工智能最常见的本领之一。

电脑没有真正的眼睛。它先把图拆成很多小格子，每个格子有颜色。这些小格子叫像素。

像素是材料，不是故事。人看见「一只黄猫在跑」；机器先看见一排排颜色数字。

再从像素里抽出特征，例如颜色、形状、边缘。边缘就是颜色突然改变的地方，轮廓常常藏在这里。最后把特征拿去对照，贴上标签。标签是名字，例如：猫、人脸、口算题、不是人脸。

整条路可以记成：

像素 → 特征 → 标签

对照用的本领，来自很多带名字的图。那些图就是 训练数据。

名字从哪来

很早的计算机只能处理数字和文字。让机器「看图」，是另外一门功课。

研究者先试过用手写规则：遇到这种边就当眼睛，遇到那种颜色就当叶子。规则很快就写不全——世界上的猫、字、人脸，变化太多了。

2009 年前后，斯坦福大学李飞飞等人推动 ImageNet 图像库。里面有上千万张带名字的照片，分成许多类。有了这么大的「看图作业」，机器才有足够粮食。

2012 年，一次叫 ImageNet 的看图比赛里，一个深度网络成绩一下子好了很多。它用的是卷积神经网络（常简称 CNN）。对小学生，可以记成：一层层看局部——先看小块的边和颜色，再拼成更大的形状，最后给出名字。

这次比赛被看成现代计算机「看图」的转折点。后来，人脸解锁、拍题批改、闸机认人，才慢慢走进校园。

怎么工作

日常可以记三步。

1. 像素：照片被切成格子，每个格子记下颜色。
2. 特征：程序寻找颜色、形状、边缘这些样子。
3. 标签：对照学过的例子，给出名字或判断。

那种一层层看局部的方法，把第 2 步做细了：第一层常看很局部的小边；下一层把小边凑成耳朵、轮子、笔画；再下一层才比较像「猫」「车」「口算题」。它不是一次把整张图当故事读完，而是一层层凑出来的。

把画倒过来，它可能写成别的东西。颜色还在，形状和边的方向变了。如果它很少见过倒着的猫，就会迷糊。口罩、逆光、只拍到后脑勺，也会让特征变少；特征变少，标签就不稳。

生活里

校园里：

• 校门口闸机看脸决定开门
• 作业软件拍口算，认出题目并批改
• 图书馆自助机扫描封面找书

家里和城市里：

• 手机用人脸解锁
• 相册自动把「海边」「猫咪」归到一堆
• 车站、机场的证件对照（仍要工作人员把关）
• 医院里辅助看片子（仍要医生把关）

注意：有摄像头，不等于有图像识别。有的镜头只把画面传给人看；当软件开始「认出这是谁、这是什么」，才更像这一条技术。

相近差别

它和 语音识别是一对：一个管看，一个管听。都是先变成电脑能处理的东西，再抽特征，再贴结果。

它和「生成图片」也不一样。识别是给已有的图起名字；生成是凭文字或样本画出新图。把别人的脸贴到另一张图上，可能变成 深度伪造。

它也和 推荐不一样。识别回答「这是什么」；推荐回答「下一步给你什么」。一个拍题 App 可以先识别题目，再推荐练习——那是两样技术接在一起。

人和机器在这里差得很明显。人有 人类智能，倒着仍可能认出同学；闸机却可能卡住。

常见误会

误会 1：电脑看见的是故事。

它先看见格子。故事是人脑补的。

误会 2：像素就是标签。

像素是材料，标签是最后的名字，中间还隔着特征。

误会 3：它能认出人脸，就真正认识这个人。

它在匹配样子。它不会像朋友那样记得你今天难过。

误会 4：认错了一定是镜头坏了。

也可能是光线、角度、训练数据不够多样。数据偏了，还可能出现 偏见。

误会 5：卷积神经网络是一只真的神经网络动物。

它只是一种一层层看局部的计算方法。名字听起来像脑子，并没有真正的眼睛和感情。

想知道更多

• 书：蔡宗翰《写给小学生看的 AI 课》（用拍照、认物讲机器怎样看）。
• 书：《图解 10 岁就懂的 AI 入门》。
• 书：清华大学《人工智能通识（小学版）》。
• 电影：《超能陆战队》里大白会「看见」人需要帮助，那是科幻。真的图像识别只给标签，不会心疼。
• 纪录片：《阿尔法狗》讲棋；《你好，人工智能》里常有人脸、车辆识别的片段。和家长一起看。