我搜“火锅”，它给我一只猫——图像识别到底在忙什么

上周干了一件挺蠢的事。半夜饿了，翻手机相册，想找去年在重庆吃火锅那张照片。在搜索框里敲了“火锅”两个字。第一屏，全是猫。

我家的猫。趴在窗台上的、钻纸箱的、糊成一团的。往下滑了三屏，才冒出来一口红汤锅。

那一刻我就想，这东西到底是怎么认的。

它没在看，它在算

我们习惯说“AI看懂了这张照片”。这个说法其实挺误导的。

照片在它眼里没有“猫”，也没有“火锅”。只有一堆数字。每个像素三个数，红多少、绿多少、蓝多少。一张普普通通的手机照片，就是这么几百万个数字堆在一起。密密麻麻，谁看谁晕。

图像识别要做的第一件事，是从这堆数字里榨出规律。

怎么榨？拿一个小窗口，比如 3×3 那么大，在整张图上从左到右、从上到下一寸一寸地挪。每挪一格，就把这九个数做一次加权求和。听起来无聊，但威力巨大。这个小窗口就是所谓“卷积核”，它像一个专门找竖线的探子、一个专门找横线的探子、一个专找斜角的探子。

卷积神经网络特征提取层可视化示意图

浅层的探子只看得到这些：这里有一条边，那里有一块色。深一层，探子们把边拼起来，拼出了弧线、拐角。再深一层，拼出了眼睛、耳朵、轮子、汤面上的油花。

到最后一层，它输出的是几个数字，概率。猫 0.87，火锅 0.11，剩下的是别的。

所以严格讲，它不是在“看”。它是在给每种可能性打分。

好问题。而且这个问题比你想的要更有意思。

最直接的原因，是训练的时候给它看的东西不对路。你喂它一千万张图，每张都贴了标签，这是猫，这是火锅，这是公交车。它就从这些例子里总结规律。可总结出来的规律未必是“猫有胡须”这么体面。

它可能总结出的是：毛茸茸、暖色调、室内柔光、占据画面中间偏下。

而我半夜在火锅店拍的那张照片——红油翻滚、暖光、热气糊住镜头——在它的特征表里，跟一只橘猫的重合度居然不低。加上我相册里猫的照片实在太多了，多到整个模型的判断都被拉偏了一点。

这种翻车其实到处都是。有个特别出名的老梗：吉娃娃和玛芬蛋糕放一起，很多模型分不清。都是浅棕色的圆团，都有一点点褶皱纹理，头顶还有一撮像毛又像糖霜的东西。

还有柯基的屁股和吐司面包。这个我真的服气。

再往深一层说，模型会“作弊”。它不一定是学到了你的猫长什么样，而是学到了你拍猫时的那个环境。你家客厅的光线、那块地毯的颜色、你习惯的构图角度。它记的是氛围，不是主角。所以你一换场景，它立刻懵。

这也是为什么，同一只猫，在窗台上拍它认得，在宠物医院的白墙上拍它就不认了。太亮了，太白了，背景全变了。

别以为这东西离你很远。它基本上已经贴在你生活上了，只是你没注意。

小区门口那个道闸。车一停，摄像头咔嚓一下，两秒不到杆子就抬了。你以为它认的是那块铁皮牌子？车牌定位、字符切分、逐个识别，每一步都是图像识别在干活。雨天、逆光、泥点子糊住半个号牌的时候，它就开始犯迷糊了，保安师傅得手动给你按一下。

超市自助结账台。你把一把青椒往秤上一放，屏幕自己跳出“青椒”两个字。这个挺神的。它看的是形状、颜色、表皮的凹凸感。但我试过把两根黄瓜和两根苦瓜混着放，它就开始犹豫，反反复复在那跳。

还有你手机长按一只猫，边缘冒出白光，把猫从背景里抠出来。这个我真心觉得好用。背后是先把画面里每个像素判定成“前景”还是“背景”，然后再把边界磨平，不然毛边会像狗啃的。

电商的拍立淘、相册的智能分类、相册里的“人物”分组，一个道理。甚至连内容平台审核你发的图，也是靠它在筛。

我见过太多人，一提到图像识别就两种极端。要么觉得它无所不能，要么觉得它就是个智障。

实际上它更像个记性极好、但没怎么见过世面的学徒。你给它看过的，它认得很准，甚至比你准。你没给它看过的，它就瞎猜，还猜得特别自信。

它不理解“这是我妈”，它只知道这堆像素跟它记忆里的某类东西长得像。它不知道猫会动、火锅会烫。它连“三”和“八”在模糊时候的区别都搞不定。

所以用它的时候，心态放平。

相册搜索就当成抽奖。想找那张火锅照片，老实点，手动往下翻。我那天翻到第八百多张才找到，锅底都糊了，照片还拍虚了。

但有意思的是，后来我又试着搜了个“模糊”，它居然把那几张糊掉的全给我揪出来了。

你看，它有时候比我自己还了解我的相册。