走進壹家 科技 展館，AI導覽機器人向妳行“註目禮”；肚子餓了走進無人超市，AI售貨員親切地提醒妳是否需要購物袋；不想開車了，叫壹輛無人車，讓“老司機”載妳出行……AI正在為我們打開壹個新“視”界，然而疑惑的是，AI的“眼睛”在哪兒？它是如何壹步步“看懂”這個世界的呢？
對於人類而言，“看”幾乎是與生俱來的能力——出生幾個月的嬰兒看到父母的臉會露出笑容，暗淡的燈光下我們仍能認出幾十米之外的朋友。眼睛賦予我們僅憑極少的細節就能認出彼此的能力，然而這項對於人類來說“輕而易舉”的能力，對計算機來說確實舉步維艱。
因為對於人類來說，“看見”的過程，往往只在零點幾秒內發生，而且幾乎是完全下意識的行為，也很少會出差錯（比如當我們人類看到壹只貓和壹只狗時，盡管它們的體型很類似，但我們還是馬上能夠區分它們分別是貓和狗），而對計算機而言，圖像僅僅是壹串數據。
近幾年AI技術的迅猛發展，使得“計算機視覺”成為最熱的人工智能子領域之壹。而計算機視覺的目標是：復制人類視覺的強大能力。
我們的大腦中有非常多的視網膜神經細胞，有超過40億以上的神經元會處理我們的視覺信息，視覺占據著人對外界70%的感知能力，所以“看”是我們理解這個世界最重要的部分。
人類的大腦能完美地處理好這壹系列的視覺信息，以此幫助我們理解世界、做出判斷。當妳看見壹張狗的圖片，妳能輕松地知道這只狗的毛發、品種，甚至能大概知道它的身高體重。無論這張圖片是否模糊、有噪點，或者條紋，但是AI就會“犯傻”了。
為什麽會這樣呢？
因為重塑人類的視覺並不只單單是壹個困難的課題，而是壹系列、環環相扣的過程。
研究認為，人看的是相對高層的語義信息，比如目標的形狀等；計算機看的則是相對底層的細節信息，比如紋理。也就是說，壹只“披著羊皮的狼”，人類與AI的意見並不相同。
AI的神經網絡架構就是根據人的視覺系統開發的。德國圖賓根大學科學家團隊做了壹組這樣的實驗：他們用特殊的方法對圖片像素進行“幹擾處理”，讓像素降低，再用這個圖像訓練神經網絡，在後續識別這些被“人為扭曲幹擾”的圖像時，系統的表現比人好，但是如果圖像扭曲的方式稍有不同（在人眼看起來扭曲方式並無不同），算法就完全無能為力了。
到底是發生了什麽變化？即便是加入極其少量的噪點，為何還是會發生如此大的變化？
答案就是紋理。當在圖像中加入噪點，圖中對象的形狀不會受到影響，但是局部的架構會快速扭曲。
多倫多約克大學計算機視覺科學家JohnTsotsos指出，“線段組按相同的方式排列，這就是紋理”。
這也說明，人類與機器的“看”有明顯區別。當然，隨著技術的發展，算法會越來越精準，AI正在向人類視覺逐步靠近。
1.算法模型是AI的“大腦”
如果說人類通過“智慧的大腦”來認識世界，那麽算法模型就是AI的“大腦”。
AI目標是創造設計出具有高級智能的機器，其中的算法和技術部分借鑒了當下對人腦的研究成果。很多當下流行的AI系統使用的人工神經網絡，就是模擬人腦的神經網絡，建立簡單模型，按照不同的連接方式組成的網絡。
機器正是通過復雜的算法和數據來構建模型，從而獲得感知和判斷的能力。
這些網絡跟人腦壹樣可以進行學習，比如學習模式識別、翻譯語言、學習簡單的邏輯推理，甚至創建圖像或者形成新設計。
其中，模式識別是壹項特別重要的功能。因為人類的“識別”依賴於自身以往的經驗和知識，壹旦面對數以萬計的陌生面孔，就很難進行識別了。而AI的“殺手鐧”就是處理海量數據，這些神經網絡具有數百萬單位和數十億的連接。
2.AI如何高度“復制”人的眼睛？
神經網絡是圖像處理的“得力助手”。作為計算機視覺核心問題之壹的圖像分類，即給輸入圖像分配標簽的任務，這個過程往往與機器學習和深度學習不可分割。簡單來說，神經網絡是最早出現，也是最簡單的壹種深度學習模型。
深度學習的許多研究成果，都離不開對大腦認知原理的研究，尤其是視覺原理的研究。諾貝爾醫學獎獲得者DavidHubel和TorstenWiesel發現人類視覺皮層結構是分級的。
比如，人在看壹只氣球時，大腦的運作過程是：“氣球”進入視線（信號攝入）——大腦皮層某些細胞發現“氣球”的邊緣和方向（初步處理）——判定“氣球”是圓形（抽象）——確定該物體是“氣球”（進壹步抽象）。
那麽，可不可以利用人類大腦的這個特點，構建壹個類似的多層神經網絡，低層的識別圖像的初級特征，若幹底層特征組成更上壹層特征，最終通過多個層級的組合，最終在頂層做出分類呢？
答案當然是肯定的。這也就是深度學習系統中最重要的壹個算法——卷積神經網絡（CNN）的靈感來源。
CNN具有輸入層、輸出層和各種隱藏層。其中壹些層是卷積的，它將結果經過分析，再傳遞給連續的層。這過程模擬了人類視覺皮層中的壹些動作。
由於這種特點，CNN十分擅長處理圖像。同樣，視頻是圖像的疊加，因此同樣擅長處理視頻內容。生活中比較常見的自動駕駛、人臉識別、美圖秀秀以及視頻加工等都用到了CNN。
經典的圖像分類算法就是基於強大的CNN設計的。例如，壹只貓的圖像，對計算機來說，只是壹串數據，這時候，神經網絡第壹層會通過特征來檢測出動物的輪廓，第二層將這些輪廓組合再次檢測形成壹些簡單形狀，例如動物的耳朵、眼睛等，第三層檢測這些簡單形狀所構成的動物身體部位，如腿、頭等，最後壹層檢測這些部位的組合，從而形成壹只完整的貓。
由此可見，每壹層神經網絡都會對圖像進行特征檢測、分析、判斷，再將結果傳遞給下壹層神經網絡。實際上，比這個案例中使用神經網絡的層次深度更復雜的情況，在生活中更多。
為了更好地訓練AI，就需要大量的被標記的圖像數據。神經網絡會學習將每個圖像與標簽對應、聯系起來，還可以將之前未見過的圖像與標簽進行配對。
這樣，AI系統就能夠梳理各種圖像、識別圖像中的元素，不再需要人工標記輸入，讓神經網絡自我學習。
對於AI系統而言，處理好視覺感知如同眼睛對於人類而言是壹樣重要的。也正是因為視覺感知對AI的重要性，計算機視覺（CV）成為了壹門研究如何使機器“看”的科學。
但是很多人容易將計算機視覺與機器視覺（MV）混淆，盡管他們有***同點，但仍有差異。
相較於機器視覺側重於量的分析，計算機視覺主要是對質的分析，比如分類識別，這是壹個蘋果那是壹條狗；或者做身份確認，比如人臉識別，車牌識別；或者做行為分析，比如人員入侵，徘徊，人群聚集等。
計算機視覺並不僅僅停留在淺層的感知層面，大量高級智能與視覺密不可分。如果計算機能真正理解圖像中的場景，真正的智能也將不再遙遠。可以說，計算機視覺本身蘊含更深遠的通用智能的問題。
隨著技術的不斷成熟，計算機視覺的應用場景愈加廣泛，從消費者到企業，計算機視覺技術在各大領域都有著壹席之地。如面向消費者市場的AR/VR、機器人、無人駕駛、自動駕駛 汽車 等，面向企業市場的醫療圖像分析、視頻監控、房地產開發優化、廣告插入等。
在這些已經落地的應用案例中，無法忽視的問題是很多項目都處於小範圍的試用階段。相關理論的不完善使得這些先行者與創新者遇到不少挑戰。如缺少可用於AI模型訓練的大規模數據集，以及動態圖像識別、實時視頻分析等技術瓶頸有待突破。
目前AI對圖像的處理不僅限於進行圖像分類，常見的還有AI對老舊、破損圖像的修復。我們在觀看壹些經典的、年代久遠的老電影時，往往對其“高糊畫質”難以接受。
用傳統的方式對這些低畫質的電影進行修復，速度慢就不提，而如果遇到圖像缺失部分很大的情況，傳統方法也無力回天。
但是AI的效率就高了，能夠通過機器學習和模型訓練來填充細節，提高畫質，再利用神經網絡上色，最後進行轉錄和人臉識別，半天就完成了。對於原圖像缺失的部分，AI還能“開動大腦”，發揮自己的“想象力”，對缺失部分進行補充。
AI為何能擁有這麽高的“想象力”？其根本原因在於其學習能力。基於生成對抗網絡（GAN）的深度學習算法，證明了計算機視覺任務在圖像恢復方面具有巨大的潛力。
GAN是基於CNN的壹種模型，其特點在於它的訓練處於壹種對抗博弈的狀態中。
我們常用“球員與裁判”的比喻來解釋GAN的基本原理。
在足球運動中，某些球員經常“假摔”來迷惑裁判，使得自己的進攻或者防守動作是合規的，而裁判，負責找出這些“假摔”的球員的犯規動作，做出相應懲罰。
在球員與裁判的不斷對抗中，球員“假摔”的水平越來越高，裁判識別“假摔”的水平也越來越高。
終於有壹天，球員“假摔”的水平已經“爐火純青”，成功的騙過了裁判，裁判已經無法識別出該球員是“假摔”還是“真摔”，這說明該球員的水平已經實現了以假亂真。就是通過這樣不斷地嘗試和識別，球員欺騙過了裁判，目的達到。這就是GAN的基本原理。
GAN的主要結構包括壹個生成器（G）和壹個判別器（D），上面的例子中，球員=生成器，裁判=判別器。生成器可以是任意可以輸出圖片的模型。同理，判別器與生成器壹樣，可以是任意的判別器模型。
以圖片生成為例，G隨機生成壹張圖片x，需要D來判別是不是真實的圖片，D（x）代表真實圖片的概率，如果D（x）為1，表示100%為真實，如果D（x）為0，則表示為假圖。在理想狀態下，D無法判別G生成的圖片是否為真實的，
D（x）則為0.5，那麽，我們的目的就達到了：得到了生成式模型G，就可以用它來生成圖片。
因此，在訓練過程中，G的目標就是盡量生成真實的圖片去欺騙判別網絡D。
而D的目標就是盡量把G生成的圖片和真實的圖片分別開來。這就是壹個“博弈”的過程。這樣，不僅可以上色，還可以將普通電影提升為高清電影。
AI在學會這個技巧之後，不需要原始照片對照也能準確地修復、重建低分辨率圖像。給圖像“上色”之前，AI會對圖像進行分析，區分出標誌性的物體，如人臉、 汽車 和天空等，結合色彩信息進行彩色化。
其實，這個過程就相當於訓練壹段程序，讓它對低質量的圖像進行“想象”，並非完全能實現100%的圖像恢復。相較於CNN，GAN采用的是壹種無監督的學習方式訓練。
值得壹提的是，GAN的作用不僅限於老照片上色，他在各種涉及圖像風格轉換的任務中都有用武之地。如自動生成動漫角色並上色、讓馬變成斑馬、生成人臉、作曲等。總之，GAN在圖像生成、處理修復領域的應用十分廣泛。
五、解釋性、魯棒性，安全性的提升，讓AI更了解世界
AI席卷百業，作為AI時代的主要入口之壹，計算機視覺正成為AI落地規模最大、應用最廣的領域。官方數據顯示，2016年，我國計算機視覺市場規模僅11.4億元，到2019年，中國計算機視覺行業市場規模增長至219.6億元。
到2025年，全球計算機視覺市場規模，將從2016年的11億美元增長到262億美元。
對計算機視覺技術的研究在學術界與工業界已經掀起了熱潮，在未來，隨著算法的改進、硬件的升級、以及5G與物聯網技術帶來的高速網絡與海量數據，計算機視覺技術必然會有更大的想象空間。曾經,人類用眼睛“記錄”了波瀾壯闊的 歷史 ，未來，AI能夠真正的像人類壹樣去“觀察”世界嗎？
遺憾的是，從目前來看，即便我們已經創造了許多在單個項目上已經超越人類的高級AI，但是這些機器仍然能力有限，它還無法成為人類的替代品，無法像人類壹樣去觀察與思考，有自我意識的AI還不會很快出現，AI很難真正像人類壹樣去“看”世界萬物。
即便如此，我們也不能否認AI的解釋性、魯棒性，安全性等正在不斷提升，AI將在越來越“了解”這個豐富多彩的世界的同時，幫助我們的更高效、智能的完成更多工作，人類與AI將壹起創造更多彩、更智慧的世界。
參考資料
[2]MomozhongAI賦能視覺技術，五大應用市場機遇多，/publications/winwin-magazine/ai/computer-vision-see-world
[7]微軟亞洲研究院計算機視覺：讓冰冷的機器看懂這個多彩的世界，/zh-cn/news/features/computer-vision-20150210
[8]周小松2020年中國計算機視覺行業市場現狀及發展前景分析人工智能引爆計算機視覺blogs.com/charlotte77/p/7759802.html