AI 怎么“看懂”一张图——像素、特征与分类三步走
一、先说结论：AI 并不“看”，它在做数字运算 人看图，一眼就知道那是猫；AI 看图，看到的是一个巨大的数字表格。一张手机照片，比如 1000×800 像素，每个像素用红、绿、蓝三个 0~255 的数字表示，于是这张图在计算机里就是一个 1000 行 × 800 列 × 3 层的数字矩阵，共 240 万个数字。 所以“看懂”这件事，本质上是一连串数学问题： 第一步，把图像变成数字（像素化）； 第二步，从数字里找出有用的特征（边缘、纹理、颜色分布、形状）； 第三步，根据特征给出一张“打分表”，分数最高的那一类就是答案（分类）。 这三步缺一不可，我们今天把它们拆开讲清楚。
二、第一步：像素与预处理 像素是图像的最小单位，灰度图每个像素只有一个 0（黑）到 255（白）的值，彩色图有三个通道。预处理常见三招： 1. 缩放（resize）：把图片统一成固定尺寸，比如 224×224。因为后面的运算要求输入大小一致。 2. 归一化：把 0~255 除以 255，变成 0~1 之间的小数。数值小、范围稳定，训练时更容易收敛。 3. 增强（augmentation）：随机翻转、旋转、调亮度，让模型见多识广，减少“只认某一张照片”的死记硬背。 这一步的意义在于：机器不认识“猫”这个概念，它只认识数字。预处理就是把这堆数字整理成“好算”的样子。
三、第二步：特征——从像素到“局部图案” 最原始的做法是人工设计特征：统计颜色直方图、算边缘强度、找角点。比如一只猫的照片，边缘密集处多在头部轮廓，颜色分布集中在灰、褐、白。 但人工特征有个致命问题：换个角度、换种光照就失效了。现代深度学习的突破，是把“找特征”这件事也交给机器学——这就是卷积神经网络（CNN）。 卷积的直觉很好懂：拿一个小窗口（比如 3×3 的数字格子，叫卷积核），在图片上从左到右、从上到下滑动；每滑到一个位置，就把窗口里的像素和卷积核做一次加权求和，结果写进新图。这个小窗口专门负责找一种图案： 浅层窗口找的是边缘、横线、竖线、色块； 中层窗口把边缘组合成“眼睛”“耳朵”“轮子”这样的部件； 深层窗口再把部件组合成“整只猫”“整辆车”。 所以 CNN 的核心思想只有一句：局部看，层层叠，越深越抽象。这也解释了为什么模型需要的算力那么大——一张 224×224 的图，要经过几十层、几百万次乘加运算。
四、第三步：分类——打分表与置信度 特征提取完之后，网络最后一层输出一串分数，比如： 猫 8.2、狗 1.1、兔子 0.4、其他 -2.0 接着用一个叫 Softmax 的函数把分数变成概率：三个数加起来等于 1，得到“猫 92%、狗 6%、兔子 1.5%、其他 0.5%”。 程序挑概率最大的那一类，作为识别结果，同时把这个概率当成“置信度”。这就是为什么有些 AI 会给出“我认为这是猫，把握 72%”的说法。 置信度低的时候（比如最高只有 45%），说明模型自己也没把握，工程上应该提示用户重拍或转人工，而不是硬给一个答案。
五、训练：机器是怎么“学会”的 网络里的卷积核数值、连接的权重，一开始都是随机的，输出自然乱七八糟。训练过程是这样： 1. 喂一张带标签的图片（标签就是标准答案：“这是猫”）； 2. 网络给出预测，比如“猫 30%、狗 70%”； 3. 用损失函数算出预测和标准答案差多远； 4. 反向传播，把所有权重朝“让误差变小”的方向微调一点点； 5. 重复几百万次，权重逐渐稳定，模型就“学会”了。 这就是“监督学习”的含义：不是人告诉机器规则，而是给大量“题目 + 答案”，让它自己把规律拟合出来。数据集里猫的图片越多、角度越全，模型对猫的识别就越稳。
六、两个必须知道的局限 局限 1：对抗样本。在图片上加一层人眼几乎看不出的细微噪点，模型可能把“猫”认成“鳄鱼”，而且置信度高达 99%。这说明模型学到的是统计规律，不是人那样的“理解”。 局限 2：偏见与长尾。如果训练集里几乎全是白猫，那黑猫、无毛猫的识别率就会明显下降。数据不平衡，模型就会“偏科”。 所以真实项目里，数据集的构成、多样性、标注质量，往往比换一个更复杂的模型更重要。
七、练习（答案在最后） 1. 一张 200×300 的彩色图，共多少个像素？在计算机里存成多少个数字？ 2. 为什么要做归一化？把 0~255 除以 255 有什么好处？ 3. 卷积核的作用是什么？浅层和深层的卷积核分别抓到什么？ 4. 模型输出“猫 0.45、狗 0.40、兔子 0.15”，可以直接采信吗？工程上应该怎么处理？ 5. 用一句话说明“监督学习”和“人写规则”的区别。
参考答案： 1. 200×300 = 60000 个像素；彩色三通道，共 180000 个数字。 2. 把数值压到 0~1 的小范围，避免大数值主导运算，让梯度更新更平稳、训练更快更稳。 3. 卷积核是一个小窗口，滑动时提取某种局部图案；浅层抓边缘、线条、色块，深层抓部件与整体形状。 4. 不建议直接采信，最高置信度只有 45%，属于“模型也没把握”，应提示重拍、扩大图片范围或转人工复核。 5. 人写规则是“把判断条件一条条写出来”；监督学习是“给大量题目和标准答案，让机器自己调参数拟合规律”。