AI是如何“看懂”这个世界的？

走进一家 科技 展馆，AI导览机器人向你行“注目礼”；肚子饿了走进无人超市，AI售货员亲切地提醒你是否需要购物袋；不想开车了，叫一辆无人车，让“老司机”载你出行……AI正在为我们打开一个新“视”界，然而疑惑的是，AI的“眼睛”在哪儿？它是如何一步步“看懂”这个世界的呢？

对于人类而言，“看”几乎是与生俱来的能力——出生几个月的婴儿看到父母的脸会露出笑容，暗淡的灯光下我们仍能认出几十米之外的朋友。眼睛赋予我们仅凭极少的细节就能认出彼此的能力，然而这项对于人类来说“轻而易举”的能力，对计算机来说确实举步维艰。

因为对于人类来说，“看见”的过程，往往只在零点几秒内发生，而且几乎是完全下意识的行为，也很少会出差错（比如当我们人类看到一只猫和一只狗时，尽管它们的体型很类似，但我们还是马上能够区分它们分别是猫和狗），而对计算机而言，图像仅仅是一串数据。

近几年AI技术的迅猛发展，使得“计算机视觉”成为最热的人工智能子领域之一。而计算机视觉的目标是：复制人类视觉的强大能力。

我们的大脑中有非常多的视网膜神经细胞，有超过40亿以上的神经元会处理我们的视觉信息，视觉占据着人对外界70%的感知能力，所以“看”是我们理解这个世界最重要的部分。

人类的大脑能完美地处理好这一系列的视觉信息，以此帮助我们理解世界、做出判断。当你看见一张狗的，你能轻松地知道这只狗的毛发、品种，甚至能大概知道它的身高体重。无论这张是否模糊、有噪点，或者条纹，但是AI就会“犯傻”了。

为什么会这样呢？

因为重塑人类的视觉并不只单单是一个困难的课题，而是一系列、环环相扣的过程。

研究认为，人看的是相对高层的语义信息，比如目标的形状等；计算机看的则是相对底层的细节信息，比如纹理。也就是说，一只“披着羊皮的狼”，人类与AI的意见并不相同。

AI的神经网络架构就是根据人的视觉系统开发的。德国图宾根大学科学家团队做了一组这样的实验：他们用特殊的方法对像素进行“干扰处理”，让像素降低，再用这个图像训练神经网络，在后续识别这些被“人为扭曲干扰”的图像时，系统的表现比人好，但是如果图像扭曲的方式稍有不同（在人眼看起来扭曲方式并无不同），算法就完全无能为力了。

到底是发生了什么变化？即便是加入极其少量的噪点，为何还是会发生如此大的变化？

答案就是纹理。当在图像中加入噪点，图中对象的形状不会受到影响，但是局部的架构会快速扭曲。

多伦多约克大学计算机视觉科学家JohnTsotsos指出，“线段组按相同的方式排列，这就是纹理”。

这也说明，人类与机器的“看”有明显区别。当然，随着技术的发展，算法会越来越精准，AI正在向人类视觉逐步靠近。

1算法模型是AI的“大脑”

如果说人类通过“智慧的大脑”来认识世界，那么算法模型就是AI的“大脑”。

AI目标是创造设计出具有高级智能的机器，其中的算法和技术部分借鉴了当下对人脑的研究成果。很多当下流行的AI系统使用的人工神经网络，就是模拟人脑的神经网络，建立简单模型，按照不同的连接方式组成的网络。

机器正是通过复杂的算法和数据来构建模型，从而获得感知和判断的能力。

这些网络跟人脑一样可以进行学习，比如学习模式识别、翻译语言、学习简单的逻辑推理，甚至创建图像或者形成新设计。

其中，模式识别是一项特别重要的功能。因为人类的“识别”依赖于自身以往的经验和知识，一旦面对数以万计的陌生面孔，就很难进行识别了。而AI的“杀手锏”就是处理海量数据，这些神经网络具有数百万单位和数十亿的连接。

2AI如何高度“复制”人的眼睛？

神经网络是图像处理的“得力助手”。作为计算机视觉核心问题之一的图像分类，即给输入图像分配标签的任务，这个过程往往与机器学习和深度学习不可分割。简单来说，神经网络是最早出现，也是最简单的一种深度学习模型。

深度学习的许多研究成果，都离不开对大脑认知原理的研究，尤其是视觉原理的研究。诺贝尔医学奖获得者DavidHubel和TorstenWiesel发现人类视觉皮层结构是分级的。

比如，人在看一只气球时，大脑的运作过程是：“气球”进入视线（信号摄入）——大脑皮层某些细胞发现“气球”的边缘和方向（初步处理）——判定“气球”是圆形（抽象）——确定该物体是“气球”（进一步抽象）。

那么，可不可以利用人类大脑的这个特点，构建一个类似的多层神经网络，低层的识别图像的初级特征，若干底层特征组成更上一层特征，最终通过多个层级的组合，最终在顶层做出分类呢？

答案当然是肯定的。这也就是深度学习系统中最重要的一个算法——卷积神经网络（CNN）的灵感来源。

CNN具有输入层、输出层和各种隐藏层。其中一些层是卷积的，它将结果经过分析，再传递给连续的层。这过程模拟了人类视觉皮层中的一些动作。

由于这种特点，CNN十分擅长处理图像。同样，视频是图像的叠加，因此同样擅长处理视频内容。生活中比较常见的自动驾驶、人脸识别、美图秀秀以及视频加工等都用到了CNN。

经典的图像分类算法就是基于强大的CNN设计的。例如，一只猫的图像，对计算机来说，只是一串数据，这时候，神经网络第一层会通过特征来检测出动物的轮廓，第二层将这些轮廓组合再次检测形成一些简单形状，例如动物的耳朵、眼睛等，第三层检测这些简单形状所构成的动物身体部位，如腿、头等，最后一层检测这些部位的组合，从而形成一只完整的猫。

由此可见，每一层神经网络都会对图像进行特征检测、分析、判断，再将结果传递给下一层神经网络。实际上，比这个案例中使用神经网络的层次深度更复杂的情况，在生活中更多。

为了更好地训练AI，就需要大量的被标记的图像数据。神经网络会学习将每个图像与标签对应、联系起来，还可以将之前未见过的图像与标签进行配对。

这样，AI系统就能够梳理各种图像、识别图像中的元素，不再需要人工标记输入，让神经网络自我学习。

对于AI系统而言，处理好视觉感知如同眼睛对于人类而言是一样重要的。也正是因为视觉感知对AI的重要性，计算机视觉（CV）成为了一门研究如何使机器“看”的科学。

但是很多人容易将计算机视觉与机器视觉（MV）混淆，尽管他们有共同点，但仍有差异。

相较于机器视觉侧重于量的分析，计算机视觉主要是对质的分析，比如分类识别，这是一个苹果那是一条狗；或者做身份确认，比如人脸识别，车牌识别；或者做行为分析，比如人员入侵，徘徊，人群聚集等。

计算机视觉并不仅仅停留在浅层的感知层面，大量高级智能与视觉密不可分。如果计算机能真正理解图像中的场景，真正的智能也将不再遥远。可以说，计算机视觉本身蕴含更深远的通用智能的问题。

随着技术的不断成熟，计算机视觉的应用场景愈加广泛，从消费者到企业，计算机视觉技术在各大领域都有着一席之地。如面向消费者市场的AR/VR、机器人、无人驾驶、自动驾驶 汽车 等，面向企业市场的医疗图像分析、视频监控、房地产开发优化、广告插入等。

在这些已经落地的应用案例中，无法忽视的问题是很多项目都处于小范围的试用阶段。相关理论的不完善使得这些先行者与创新者遇到不少挑战。如缺少可用于AI模型训练的大规模数据集，以及动态图像识别、实时视频分析等技术瓶颈有待突破。

目前AI对图像的处理不仅限于进行图像分类，常见的还有AI对老旧、破损图像的修复。我们在观看一些经典的、年代久远的老时，往往对其“高糊画质”难以接受。

用传统的方式对这些低画质的进行修复，速度慢就不提，而如果遇到图像缺失部分很大的情况，传统方法也无力回天。

但是AI的效率就高了，能够通过机器学习和模型训练来填充细节，提高画质，再利用神经网络上色，最后进行转录和人脸识别，半天就完成了。对于原图像缺失的部分，AI还能“开动大脑”，发挥自己的“想象力”，对缺失部分进行补充。

AI为何能拥有这么高的“想象力”？其根本原因在于其学习能力。基于生成对抗网络（GAN）的深度学习算法，证明了计算机视觉任务在图像恢复方面具有巨大的潜力。

GAN是基于CNN的一种模型，其特点在于它的训练处于一种对抗博弈的状态中。

我们常用“球员与裁判”的比喻来解释GAN的基本原理。

在足球运动中，某些球员经常“假摔”来迷惑裁判，使得自己的进攻或者防守动作是合规的，而裁判，负责找出这些“假摔”的球员的犯规动作，做出相应惩罚。

在球员与裁判的不断对抗中，球员“假摔”的水平越来越高，裁判识别“假摔”的水平也越来越高。

终于有一天，球员“假摔”的水平已经“炉火纯青”，成功的骗过了裁判，裁判已经无法识别出该球员是“假摔”还是“真摔”，这说明该球员的水平已经实现了以假乱真。就是通过这样不断地尝试和识别，球员欺骗过了裁判，目的达到。这就是GAN的基本原理。

GAN的主要结构包括一个生成器（G）和一个判别器（D），上面的例子中，球员=生成器，裁判=判别器。生成器可以是任意可以输出的模型。同理，判别器与生成器一样，可以是任意的判别器模型。

以生成为例，G随机生成一张x，需要D来判别是不是真实的，D（x）代表真实的概率，如果D（x）为1，表示100%为真实，如果D（x）为0，则表示为假图。在理想状态下，D无法判别G生成的是否为真实的，

D（x）则为05，那么，我们的目的就达到了：得到了生成式模型G，就可以用它来生成。

因此，在训练过程中，G的目标就是尽量生成真实的去欺骗判别网络D。

而D的目标就是尽量把G生成的和真实的分别开来。这就是一个“博弈”的过程。这样，不仅可以上色，还可以将普通提升为高清。

AI在学会这个技巧之后，不需要原始照片对照也能准确地修复、重建低分辨率图像。给图像“上色”之前，AI会对图像进行分析，区分出标志性的物体，如人脸、 汽车 和天空等，结合色彩信息进行彩色化。

其实，这个过程就相当于训练一段程序，让它对低质量的图像进行“想象”，并非完全能实现100%的图像恢复。相较于CNN，GAN采用的是一种无监督的学习方式训练。

值得一提的是，GAN的作用不仅限于老照片上色，他在各种涉及图像风格转换的任务中都有用武之地。如自动生成动漫角色并上色、让马变成斑马、生成人脸、作曲等。总之，GAN在图像生成、处理修复领域的应用十分广泛。

五、解释性、鲁棒性，安全性的提升，让AI更了解世界

AI席卷百业，作为AI时代的主要入口之一，计算机视觉正成为AI落地规模最大、应用最广的领域。官方数据显示，2016年，我国计算机视觉市场规模仅114亿元，到2019年，中国计算机视觉行业市场规模增长至2196亿元。

到2025年，全球计算机视觉市场规模，将从2016年的11亿美元增长到262亿美元。

对计算机视觉技术的研究在学术界与工业界已经掀起了热潮，在未来，随着算法的改进、硬件的升级、以及5G与物联网技术带来的高速网络与海量数据，计算机视觉技术必然会有更大的想象空间。曾经,人类用眼睛“记录”了波澜壮阔的 历史 ，未来，AI能够真正的像人类一样去“观察”世界吗？

遗憾的是，从目前来看，即便我们已经创造了许多在单个项目上已经超越人类的高级AI，但是这些机器仍然能力有限，它还无法成为人类的替代品，无法像人类一样去观察与思考，有自我意识的AI还不会很快出现，AI很难真正像人类一样去“看”世界万物。

即便如此，我们也不能否认AI的解释性、鲁棒性，安全性等正在不断提升，AI将在越来越“了解”这个丰富多彩的世界的同时，帮助我们的更高效、智能的完成更多工作，人类与AI将一起创造更多彩、更智慧的世界。

参考资料

[2]MomozhongAI赋能视觉技术，五大应用市场机遇多，>

近年来，在政府推动和市场需求双重影响下，云计算产业在我国加速发展。据中国信息通信研究院的数据显示，2018年中国云计算产业规模达到9628亿元；预计未来几年将保持稳定、高速增长，到2022年市场规模将达到29029亿元。

在全球智能化浪潮的背景下，信息技术驱动产业升级的同时也带来了更为严峻的安全威胁和挑战。恶意程序猛增并越来越多地针对商业目标发起攻击；未知威胁带来的危害程度持续升级；黑灰产开始应用AI等新兴技术提升攻击能力和效率；DDoS攻击事件频繁出现，规模越来越大。

《2019年DDoS威胁报告》显示，2019年，DDoS攻击次数出现小幅回落趋势，但大流量攻击形势依然严峻。自2018年业界发现194 Tbps的峰值之后，DDoS攻击进入Tb级已不是偶发事件。

面对日益复杂的安全环境，传统软硬件的安全防护体系和模式开始力不从心。腾讯研究院发布的《2020产业安全报告》指出，云计算时代的安全问题呈现出系统性和全球性的新特点，安全正被提升到前所未有的重要程度。

随着各行各业的数字化程度不断加深，产业互联网面临的安全威胁更加隐蔽、复杂，更具破坏性。安全已成为企业的生命线，关乎企业生存。一旦企业的用户数据被黑客窃取，不仅股价、利润会受到巨大影响，还可能引发巨大的用户信任危机，给企业带来持续损害；同时，安全还关乎企业发展，数字化贯穿企业研发、生产、流通、服务等全过程，无不涉及安全需求，安全已经逐渐成为企业的核心竞争力之一。可以说安全不仅是企业发展的“底线”，更将成为制约企业发展的“天花板”。

云计算产业依靠先发优势、广告洗脑、低价竞争等方式粗暴获得市场份额的时代已经过去， 依靠技术实力、服务能力、生态协同等“软实力”获得市场的“下半场”正在开启，而云服务商的安全能力就成为了获取增量市场、经营存量市场的关键要素之一。

面对人口红利见顶、市场增长遭遇瓶颈、服务效能急需提升等诸多挑战，我国金融、零售、工业、交通、政务、医疗等行业纷纷上云，希望通过数字化转型实现降本增效、优化服务的目标。但在汹涌来袭的安全威胁面前，大量传统企业既不具备完善、坚固的安全防御体系，也没有足够的成本投入到安全运营和安全人才储备当中，可以说“痛点”多多。

一是安全成本控制不易。一方面，改造成本高昂，老旧的设备、流程形成了难以维护管理的“蜘蛛网”，大批量的数据迁移需要投入的技术与成本相当高。另一方面，运维成本高企，网络安全产品和服务价格与企业营收不匹配，尤其对于中小企业而言，资金投入更为困难。

二是安全能力薄弱。传统安全防护手段落后，不足以应对新型的攻击手段和日渐复杂的网络环境，数据孤岛、信息孤岛状况依然严重。未来随着政务服务、智慧城市、行业监管等领域的发展以及信息一体化需求的持续提升，企业对于数据全生命周期安全能力的需求将更加迫切。

三是安全技术升级换代加速。以数据为中心的安全技术需求加大，产业互联网技术创新促使安全技术随之升级，云安全、移动安全、物联网安全等多种技术的应用也对安全提出全新挑战。

四是安全实施效率有待提升。产业互联网安全的未来发展不是单方面切入就可以解决的，关键还需要多方共同发力。目前中国网络安全的投入较发达国家仍有较大提升空间。对于企业而言，网络安全的实施效率取决于战略层、决策层、实施层全方位意识，任何一层意愿的缺失均有可能阻碍网络安全实施效果。

五是安全人才缺位。产业互联网时代新增的安全需求以及更精细的安全分工，需要更为巨大的安全人才资源支持。但目前，我国网络安全人才培养与行业需求严重脱钩，缺口巨大。

面对诸多痛点，企业如何在上云过程中低成本、高效率地建设自身安全防御体系和安全运营能力？目前领先的云服务商已经给出了解题之法。以近年来致力于云上安全建设的腾讯云为例，可以一窥何为“安全的云”，以及如何在“万云汇聚”的下半场建立起云上网络安全的“第一道防线”。

作为一家云厂商，首先要具备运营大规模基础设施的经验，才能持续提供高速、稳定、安全的云服务。据了解，目前腾讯全网服务器总量已超过100万台，带宽峰值突破100T，基础设施覆盖全球五大洲25个地区。

专利是反映企业 科技 水平和竞争力的重要指标。知识产权出版社i智库发布发布的《中国互联网云技术专利分析报告》显示，截止2019年12月，腾讯公司云技术专利申请量达到4899件，专利申请量、授权量、有效专利数量、专利价制度等均排名首位，发明人团队规模达到5948人。 在云技术细分领域，腾讯在安全、大数据等多个维度保持行业第一，其中在安全领域的专利申请数量达到1599件，领先第二名高达32%。

威胁情报被视为网络攻防的第一关卡和预知风险的“警报器”。拥有20余年网络安全经验的腾讯云，结合多年与黑灰产对抗经验，可对海量安全数据进行过滤和自动识别，形成威胁情报库。在某次大型网络攻防演练活动中，腾讯云曾依托威胁情报中心，成功阻断主动攻击3万余次，分析上报安全事件上千次，检测到新型网络攻击数十次。

攻防能力是安全技术硬实力的体现，包括了对云上漏洞的挖掘和收集、突发事件的紧急响应、对黑客攻击的溯源等。腾讯云的安全攻防团队，在内部采取红蓝对抗的方式，不断磨练提高团队的攻防技术、收集云上的安全漏洞。

AI+大数据的能力则为云上业务安全提供了更多保障。蒙牛就曾在2018年世界杯期间，依托腾讯云的黑灰产大数据、AI风控模型，实现精准识别、实时判断和分级处理三层营销风控保障，快、准、狠地拒绝了“羊毛党”的掠夺。

云计算打破了传统的网络防护边界，一家企业或机构的安全规划与建设，很难由单一一家安全企业提供完整技术能力来解决。伴随产业互联网的发展，以及增量安全需求的复杂性，加快安全生态协同共建已经迫在眉睫。为此，腾讯过去几年来一直在倡导构建安全生态，集多方之力推动行业协同发展。

据了解，目前腾讯与合作伙伴共同打造的安全联合解决方案超过20个，这些联合解决方案占腾讯安全全品类销售比例达到26%；在2019年上半年，腾讯安全产品通过渠道伙伴销售的增速也达到200%。基于良好的合作实践，腾讯正在与安全生态伙伴 探索 “生态资源共享、能力互补、生态共建”的协同机制，共享产业安全红利。

云计算时代的到来，为我国各行各业科学、 健康 、可持续发展提供了数字化的破解之道。面对复杂的网络安全态势，共同建设“更安全的云”，应当成为所有云服务商的使命；选择“更安全的云”，也应当成为企业采购的首要考量要素。

物联网（IoT）是英文Internet of Things的缩写。简单的说，它是指以某种方式将一切设备连接到互联网的意思，从智能手机、平板电脑到汽车、冰箱。

你可能在某些时候会听到物联网这个词，但是你对它可能不知所以然，究竟这个物联网是什么样的网？

物联网（IoT）是英文Internet of Things的缩写。简单的说，它是指以某种方式将一切设备连接到互联网的意思，从智能手机和平板电脑（普通）到汽车和冰箱。

物联网主要功能在于如何将设备、服务、应用程序都连接到互联网，让其发挥更大的作用，至于将什么设备连入物联网以及连入原因几乎没有任何限制。

物联网提高生活质量的重要方式在于让数据共享变得更加容易：物联网将有助于简化我们的生活，从长远来看可以为我们处理一些琐碎的事情。

还是不明白？看以下例子：

健康监测：物联网意味着患者可以随时监控健康状态，及时发现问题，从而避免更严重问题出现，如果出现问题，医疗保健专业人员将会立即得知。

自动驾驶：你听说过自动驾驶汽车吗？它们通过连接到互联网，实时访问不断更新的地图数据库，以确保到达目的地的最佳路线。它们能够感知到其他自动驾驶车辆，能够通过特殊传感器来检测道路上的障碍物和交通标志、信号等，它们实际上比人为驾驶的汽车更加安全。

智慧农业：借鉴以前的一个例子，农民也可以通过物联网获益，可以使用特殊传感器告诉作物何时需要浇水（以及浇水量），然后通过自动供水系统精确地完成浇水，这时候，农民完全可以忙于其他事情。

所以，物联网正在积极改善各个行业的应用标准。以上三个例子只是物联网所能实现功能的一小部分而已。

---