手机相册认出你家猫那天,没人告诉你发生了什么
南京的梅雨天,我窝在沙发上翻相册。手指在搜索框敲了两个字:猫。屏幕上刷地涌出四十多张照片——有正脸的,有屁股对着镜头的,还有一张糊得只剩个毛球轮廓的。全对。
这事儿放十几年前,说出来得被当成吹牛。
那年头做图像识别,靠人写规则。工程师盯着像素琢磨:猫耳朵大概是三角形的,眼睛会反光……写到崩溃也写不全。因为猫会歪头,会打哈欠,会躺在暖气片上变成一摊不规则的液体。人定的规则,永远追不上世界的邋遢。
后来换了路子。不教机器认猫,让它自己从成千上万张图片里,慢慢长出“猫”这个概念。这条路,就是深度学习。

它做的事,说白了就是一层层地剥
一张照片,两千多万像素。对机器来说,这就是一大堆数字。红多少,绿多少,蓝多少。没头没尾。
第一层网络看这些小数字,只能看出点很蠢的东西——这里有一道竖着的亮边,那里有一块暗斑。真的,就这水平。
但它把结果交给下一层。下一层看到的不再是像素,而是“亮边”和“暗斑”这些碎片。它开始凑:两道斜边凑成个尖角,尖角旁边加一小团绒毛……再往上,某个神经元对“毛茸茸的三角形”反应强烈。再往上,是耳朵。再往上——猫。
整条链子上没有哪个环节知道自己在干嘛。每一层都只对上一层的输出做一次粗糙的变换。深度这个词,说的就是这个层数多。不是思考深,是台阶多。

那“学习”学的是啥?是每一层变换里的那些参数,叫权重。刚开始全是随机数,输出纯属胡扯。系统拿结果跟正确答案一比,算出差距,再把差距沿链条一路回传,微微调一下每个权重。调几百万次。就这么笨。
有个比喻我挺喜欢:像一群瞎子摸一头大象,摸完互相通报一句,各自改一点自己的判断,接着摸。摸上亿遍。
三个被说烂了的说法,其实都偏了
一,说它模仿人脑。差不多得了。人脑一个神经元有上万个突触,时序、化学信号、抑制与兴奋搅在一起。人工神经元的数学形式简单得可怜,就是加权求和再加个非线性函数。叫“神经网络”纯属历史遗留的称呼,它跟生物大脑的关系,比“云计算”跟云的关系强点有限。
二,说数据越多越好。得加前提。数据多但标注乱,模型学到的就是乱。更麻烦的是分布偏差——如果训练集里的猫全是室内短毛猫,你在院子里拍只长毛的,它可能愣半天。见过模型把哈士奇认成狼,原因挺滑稽:训练数据里的狼都出现在雪地上,它其实是在认雪。
三,说模型“理解”了。这个最容易被带节奏。它在高维空间里找的是统计规律,一种极其精细的相关性。它能把“猫”和那堆像素稳稳地连起来,但你问它猫会不会疼,它给你的回答是从文本里拼出来的,不是从体验里长出来的。
钱这回事,绕不过去
训练一个像样的模型,得靠一堆显卡连着跑。电费、散热、机房,都是实打实的开销。所以这几年有个挺拧巴的现象:算法上的不少进步,是在省算力,而不是在堆算力。
比方说注意力机制,它能捕捉长距离的关联,代价是计算量随输入长度平方增长。文本一长,开销涨得飞快。于是有人做稀疏化、做近似、做剪枝和量化——把大模型塞进手机里跑,也是这么来的。
跟你聊几句实话

朋友问过我:那这东西是不是快成人了?
我说不至于。它更像一把特别锋利的刀,刀本身没有想法。你让它写文案、翻译、改代码、从病理切片里找异常,它能干得比大多数人利索。可它不知道自己在干什么,也不在乎。
又有人问:那我学它干嘛,反正要被替代。
我的看法是,会用和不会用,差距会拉开。这跟当年会用搜索引擎、会用 Excel 是一个性质。工具换代而已,只不过这次换得猛一点。
还有人问:数学不好是不是没戏?
也不是。调包、跑实验、看结果、判断哪里不对劲——这些活儿对直觉的要求,比对手推公式的要求高。当然,真想搞明白,线性代数和概率论迟早得补。躲不掉。
把时间线捋一遍,你会发现它憋了很久
1943年,两个人在论文里画了个极简的神经元数学模型。1958年,感知机被做出来,报纸吹得天花乱坠。然后1969年,一本小册子指出它连异或都学不会,资金哗啦啦撤走——这场寒冬后来被人反复提起。
1986年,反向传播被重新推到台前,训练多层网络有了可操作的方法。1989年,有人用卷积网络识别手写邮编,跑通了。1998年,那套结构被系统整理出来,成了后来无数图像模型的源头。
真正的引爆点拖到2012年。那年一场图像识别比赛上,一个深度网络把错误率一下子压掉一大截。靠的是三样东西凑齐了:数据(互联网堆出来的)、算力(显卡)、算法(几十年攒下来的)。少一样都不行。
再往后,2015年残差连接解决了深层网络训不动的问题。2017年那篇讲注意力的论文把序列建模的路子改写了。到这两年,大模型成了台面上的主角。
看这条线,感觉不像某天突然开窍。更像烧水,火一直没断,就是没人盯着看。
一点冷思考
有个问题我一直没想明白:现在模型的进步,有多少来自真正的新想法,有多少只是把规模放大?说不清。可能两者本来就纠缠在一起,分不开。
另一件事更实际——这类系统一旦进了医院、银行、招聘流程,出错的代价就不是认错一只猫了。它会在你不注意的地方,按训练数据里藏着的偏见行事,还给你一个自信满满的理由。这种时候,“可解释性”就不是学术话题,是责任问题。
不过话说回来,技术就是这样,一边修一边用。真要等它完美了再上车,那大概永远也上不去。
下次你手机相册又准确地把那团糊成一片的毛球认成猫的时候,可以想一下:那是一层层极其笨拙的加减乘除,堆了几亿次,才换来的一眼。
作者|科技
排版|科技
审核|满满
大讲堂