电路之眼：人工智能如何学会看世界

发表评论 / 科技漫谈 / 作者：

当我们睁开眼睛，我们看到的并不仅仅是光，而是图案、边缘、面孔、运动与意义。视觉一直是生命最深奥的谜题之一。从柏拉图到笛卡尔，哲学家不断探问眼睛与心灵如何连接；从乔托到维米尔，艺术家通过透视、阴影与焦点改变了我们理解空间的方式。而到了二十世纪，工程师们开始提出一个更大胆的问题：机器能学会看吗？

计算机视觉的历史不仅是技术的历史，它也是文化的历史。它讲述了人类对“看”的执念——从文艺复兴绘画中透视法的发明，到摄影与电影的兴起——如何塑造了我们关于智慧的观念。因为如果机器能够看见，那么它或许也能思考。

机器视觉的早期迷恋

在数字计算机出现之前，人们就已经梦想着人工的眼睛。十九世纪的暗箱与银版照相机，把“视觉”机械化。哲人们担忧这些机器会取代人的感知。波德莱尔甚至讥讽摄影是“失败画家的避难所”。但摄影并未只是替代，它推动了绘画走向印象派、抽象派与超现实主义。

机器视觉的历程也类似：每一次突破，不仅是对人类视觉的模仿，更改变了我们对“视觉”本身的理解。

五十到六十年代，科学家开始探索计算机如何处理图像。早期系统只能检测简单的边缘和形状，极为粗糙，但它们呼应了生物学的结构：视网膜的杆状体与锥状体，把信号传递给神经元，再汇聚为线条与运动的感知。把视觉分解为一系列计算步骤——边缘检测、形状拼合、物体识别——成为最初的计算机视觉隐喻。

卷积的突破

真正改变机器视觉格局的，是 卷积 的引入。

卷积是一种数学操作：它把两个函数结合成第三个。在图像处理中，卷积意味着让一个小小的滤波器（kernel）在图像上滑动，用来检测局部模式。公式如下：

$h_{i,j} = \sum_m \sum_n w_{m,n} \, x_{i+m, j+n}​$

其中 xxx 是输入图像，www 是滤波器，hhh 是输出特征图。不同的滤波器能检测不同的特征：边缘、角点、纹理。

卷积的威力在于两个方面：其一，它大大减少了参数数量——不必为每个像素学习独立的权重；其二，它引入了平移不变性——在左上角检测到的边缘，在右下角也能识别。

更重要的是，它呼应了生物学。二十世纪六十年代，神经科学家胡贝尔与威塞尔发现，视觉皮层的细胞会对特定方向的边缘作出反应。卷积滤波器正是这种神经机制的数字映射。

LeCun 与卷积神经网络的诞生

八十年代末，法国研究者 Yann LeCun 把卷积与反向传播结合，创造了第一个 卷积神经网络（CNN）。他的系统 LeNet 被用于邮政编码的手写数字识别。结构是卷积层与池化层的堆叠，再接上全连接层完成分类。

效果令人惊叹。LeNet 的准确率超过了人工分拣员。然而在当时，除了少数应用，CNN 并未广泛流行。原因在于计算机速度不够快、数据集不够大，而“AI 寒冬”让人们缺乏雄心。研究者转向人工特征工程：SIFT、HOG 等算法。这些方法手工设计精巧，但面对变化与噪声却显得脆弱。

2012年的 AlexNet 革命

真正的转折发生在 2012 年。在 ImageNet 大规模视觉识别挑战赛上，亚历克斯·克里热夫斯基（Alex Krizhevsky）、苏茨凯弗（Ilya Sutskever）与辛顿（Geoffrey Hinton）推出了 AlexNet。

这是一种八层深的 CNN，用 GPU 训练了数周。结果惊人：Top-5 错误率仅 15.3%，而第二名为 26.2%。差距之大震动了整个领域。

从那一刻起，CNN 席卷计算机视觉。人脸识别、医学影像、自动驾驶……各行各业都因卷积神经网络而焕然一新。谷歌、Facebook 等公司也依靠视觉识别和推荐系统建立了庞大的商业帝国。

CNN 背后的数学从 LeCun 时代起几乎没变，变化的是规模：GPU 的加速、ImageNet 的大规模数据、以及 dropout、ReLU 等训练技巧的加入。就像许多 AI 突破一样，公式简单，条件却终于成熟。

视觉与文化

机器视觉的崛起带来深远的文化影响。摄影曾让我们重新思考“真实的捕捉”，CNN 则迫使我们重新思考“感知的本质”。

以人脸识别为例。对机器而言，面孔不是人，而是像素模式，被映射到特征空间中。然而当政府将其用于监控，或社交网络自动为我们打标签时，它触碰到的却是身份、隐私与自由。

艺术领域同样发生巨变。基于卷积的生成对抗网络（GANs）与扩散模型（Diffusion Models）能创造逼真的人像。摄影与想象的边界被模糊。正如维米尔借助暗箱改变了绘画的写实观，AI 生成的图像也让我们在数字时代重新追问“作者”与“真实”。

数学上的层次感

CNN 的精妙在于层次结构。低层检测边缘、角点与纹理；中层识别物体的部分——眼睛、车轮、树枝；高层则识别完整的物体——猫、汽车、树木。这种分层关系可以用函数复合表示：

$f(x) = f^{(L)}(f^{(L-1)}(\cdots f^{(1)}(x)))$

每一层 f(l)f^{(l)}f(l) 都是一次表征转换，让复杂性逐级累积。这种分层组合，恰如艺术、语言与文化本身的运作方式：从简单元素构建更复杂的结构。

超越卷积

讽刺的是，当 CNN 看似无可替代时，新的模型又出现了。2020 年，Vision Transformer（ViT）将语言模型的自注意力机制应用到图像。它把图像切分为 patch，当作 token 处理，从而捕捉全局关系。很快，ViT 在多个任务上超过了 CNN。

然而，CNN 并未消失。它在效率、局部特征与可解释性方面仍具优势，被广泛用于医学扫描、智能手机、卫星图像。即便在某些前沿领域被取代，它的遗产已不可磨灭。

机器视觉的深层意义

说 AI 会“看”，是一种隐喻，但也迫使我们反思“看”究竟是什么。看，是捕捉光子，还是解释模式？当 CNN 识别一只狗，它并没有看到毛发或尾巴，而是看到了像素阵列的排列。但这与我们真的那么不同吗？我们的视网膜捕捉光，神经元滤波拼合，大脑再赋予意义。

更深的文化问题是：如果机器也能看，人类还有什么独特之处？有人认为人类视觉与意识、语境和想象不可分割；也有人认为，机器视觉并不是威胁，而是扩展，就像望远镜与显微镜一样，把感知延伸到人类原本无法触及的世界。

前行之路

机器视觉的故事，是一个坚持的故事。从 LeCun 的 LeNet，到 AlexNet 的惊艳登场，从 GAN 人像到 Vision Transformer，人工视觉不断重塑科技与文化。

未来，它可能走向具身智能，让机器人用视觉在真实环境中行动；它可能推动医学突破，让医生更早发现疾病；它可能孕育新的艺术形式，让人机视觉的合作开辟新的表达方式。

可以确定的是，视觉将依然是人工智能的核心。智慧离不开感知，而感知最根本的入口便是“看”。

未来的人们回望今日，或许会把 CNN 看作类似暗箱的转折点：它让电路学会了看，而在此过程中，也教会了我们如何重新看待自己。

我的其它文章

1 2 3
钱宇瀚
Latest posts by 钱宇瀚 (see all)

发表评论

您的邮箱地址不会被公开。 必填项已用 * 标注