4. 视觉原理

接下来我们来讨论视觉原理。为什么你能看到我是一个人？当你看到我时，你真的立刻觉得自己在看一个人吗？不是的，实际上你看到的是一堆像素点，是我的身体影像进入了你的视网膜，上面有很多感光细胞投影，使你感觉到了一大堆像素点，但问题是如何才能知道这些像素点是一个人？实际上这就是视觉原理。

视觉原理是最近几年才被真正搞清楚的。在1981年，诺贝尔生理学和医学奖获得者，科学家大卫·苏泊尔和威瑟尔两人发现了视觉原理。具体做法是将电极插入猫的脑子，让猫观察各种信号，观察完成后，发现猫的大脑中与视觉相关的细胞分为两种：一种是对特定线条有反应的细胞，称为简单细胞；另一种是对运动线条有反应的复杂细胞。

在他们的启发下，日本科学家在福岛邦彦提出了神经认知模型。

这个模型很有趣。

他认为：人的视觉分为多层。外界光进入眼睛后，通过瞳孔晶状体在视网膜上的成像实际上是一堆像素点，这些像素点信息会传递到大脑中，大脑最初接收信号的是V1皮层，或者叫初级皮层；初级皮层获得像素点后，会对像素点进行处理，处理后变成线条，再传到V2皮层，称为次级皮层；次级皮层根据这些线条组合成图形；再传递到三级皮层。

当你看到一个人时，首先是一堆像素点，然后大脑将这些像素点连成线条，接着将线条变成图形，再上色。最后你就发现原来看到的是一个人，不是一个昆虫。

这个模型就被人们做成了一个人工智能的方法，首先通过组合像素点，将其变成边缘特征，然后将边缘特征组合成轮廓，比如鼻子和眼睛等，最后将轮廓转化为更大的物体模型。这与传统认知有所不同，传统认知认为，首先观察到轮廓，再关注细节。实际上，但事实上科学家说，我们是将细节逐步组合成一个整体，才能认识到对方的整体，每一级工作都是在人脑的不同区域完成的。

这个人就叫杨立昆。杨立昆想，既然人脑可以做这件事，计算机能不能做？于是他就做了一个卷积神经网络。插一句，前段时间，杨立昆出来说，ChatGPT没有任何的智能，它只是鹦鹉学舌，但是大部分人还是对这个ChatGPT非常感兴趣。

5. 卷积神经网络

我们来简要介绍卷积神经网络的原理。卷积神经网络的原理稍显复杂，首先，我们想让大家看这4张图，实际上每张都是一个字母X，人类一眼就能看出来，但这4张图完全不一样。

因此，在计算机无法识别出它们是不是X时，我们需要采用一些方法。虽然这些图形本质上不太一样，但它们都有一些共同的特征，比如，中间都是一个中间白、四角白，然后四边有一块黑色的十字图形；再比如，左上角都有两个白块。所以我们假设无论在哪个地方，只要能寻找到这些特征，或者找到的这些特征特别多的时候，我们就认为它是一个X。

具体如何寻找涉及到复杂的运算，称为卷积。大致意思是将原来的数据与设计好的卷积核进行内积，内积就是对应项相乘再相加，然后得出一个特征值，特征值越大，说明它越满足X的特征。例如，这里的特征值为2，说明左上角的图形与卷积核接近，若特征值为3，则更接近。

我们通过这种方法逐步寻找，最后得到一张图，它展示了我们完成卷积后的结果。这个结果告诉我们，在这些部位的特征是2333，表示这些部位的特征非常接近。我们还可以将这作为一个示意图，将原来的图像通过卷积核转换为多个不同的图像，每个图像代表一些特征，这些特征组合起来便是我们想要的判断结果。

还有一个过程叫池化，这个概念更加复杂一些。大致意思是，左上角2、3表示左上角确实具有某个特征，特征2并没有特征3强，那么可以省略特征2，这样计算会更简单一些。总之，我们需要通过卷积抽象出图像的特征，然后通过池化，可以让图形更小一些。池化后，我们进入Sigmoid函数，大意就是决定到底是否向下游进行传递。比如这张图的特征值非常大，就表明特别容易产生一个X，因此，这组神经元可能会向下游传导。

总的来说，经历了卷积、池化等步骤，我们就模拟了人眼的机制，本来输入大量像素点，通过卷积抽象出特征，再输入到下一层。对于计算机来说，一个人和一只威尔士柯基犬并无区别，但是经过一层一层输出，计算机就理解了，这堆杂乱的像素点组合出来的是人、桌子、椅子。