通过《一叶知命》这个故事，我们看到了深度学习技术在
互联网及金融等大数据应用领域的巨大潜力，已经不会对AI在
大数据的应用领域超越人类感到惊讶了。那么在人类所特有的
能力方面，例如感知，AI的表现又会如何呢？
在人的六感之中，视觉是最重要的。
计算机视觉
计算机视觉（Computer Vision，CV）是AI的技术分支之一，主要研究如何
让计算机拥有“看”的能力。这里的“看”不仅意味着看到并
捕捉一段视频或图片，而且意味着能够分析并理解图像序列的
内容和含义。
由简单到复杂，计算机视觉技术包括以下从简单到复杂的
功能。
※ 图像采集和处理——使用摄像头及其他类型的传感器采
集真实世界中的三维场景，将其转化为视频。每段视频就是一
系列的图像，而每个图像都是一个二维矩阵，矩阵里的每个点
都代表人所能看到的颜色（这个点也就是所谓的“像素”）。
※ 目标检测和图像分割——把图像划分为若干个不同区域
和物体。
※ 目标识别——对物体进行识别（例如识别出一只狗），
并在此基础上掌握更多的细节特征（例如确认该狗为德国牧羊
犬、深棕色等）。
※ 目标追踪——在视频中定位和跟踪物体。
※ 动作识别——对动作和手势进行识别，如Xbox体感游戏
中的舞蹈动作。
※ 场景理解——对一个完整的场景（例如一只饥饿的狗正
在盯着一根骨头）进行分析并理解，掌握其中复杂而微妙的关
系。
故事中的阿玛卡为了让FAKA摘下面具露出雷波的脸，使用
了Deepfake制造工具去伪造视频，他的操作过程涉及了上述所
有步骤。
具体来看，阿玛卡首先要把一段真实的FAKA视频分解成每
秒60帧的图像，每张图像都用数千万个像素来表示；接下来，
AI会读取图像上的像素，然后自动识别并分割出FAKA的身体
（可以想象成用笔描出FAKA的身体），进而分割出FAKA戴着面
具的脸庞、嘴唇、手/手指等具体部位。AI要对视频分解出来的
每一帧图像重复这样的操作，如果是一段50秒长的视频，那么
就需要对50×60＝3000帧图像进行处理。除此之外，AI还要关
联并追踪帧与帧之间的运动姿态，发掘物体之间的关系。所有
这些工作都只是阿玛卡编辑伪造视频之前的预处理。
也许你看到这里会想，原来计算机视觉这么费劲呀！做了
这么多工作，还没开始造Deepfake呢！上面提到的这些工作，
对于人类来说可都是不费吹灰之力的——人类只要看上一眼视
频，就能瞬间在脑海中抓取并消化上面提到的内容和信息。而
且，人类能够对事物进行广义的理解和抽象的认知，即使同一
物体在不同的角度、光线、距离下存在视觉上的差异，甚至有
时会被其他物体遮挡住，人类也能通过推理产生相应的视觉认
知。例如我们只要看到雷波以一种特定的姿势坐在办公桌前，
就算没有看到他究竟在干些什么，也可以推断出他正在拿着一
支笔在纸上写字。
我们在“看”的时候，调用了许多过去积累的有关这个世
界的知识，包括透视现象、几何学、常识，以及之前看过、学
过的所有东西。对于人类而言，“看”似乎是一件自然而然的
事情，但我们却很难把这项能力传授给计算机。计算机视觉就
是一个旨在克服这些困难，让计算机学会“看”懂物体的研究
领域。
计算机视觉技术的应用
事实上，目前的计算机视觉技术已经具备了实时处理能
力，应用场景覆盖了许多领域，我们每天的生活里都有这种技
术的身影，例如：
※ 化身汽车上的“助理驾驶员”，监测人类驾驶员是否疲
劳驾驶；
※ 进驻无人超市（如天猫无人超市），通过摄像头自动识
别顾客把商品放进购物车的过程；
※ 为机场提供安全保障，用于清点人数，识别是否有恐怖
分子出没；
※ 姿态识别，开发Xbox舞蹈游戏，为用户的动作打分；
※ 人脸识别，让用户“刷脸”解锁手机；
※ 智能相机，iPhone的人像模式可以识别并提取前景中的
人物，巧妙地让背景虚化，效果堪比单反相机；
※ 应用于军事领域，将敌方士兵与平民区分开，或打造无
人机和自动驾驶汽车。
在《假面神祇》的开头，我们看到：人们在穿过检票闸机
时，摄像头会通过人脸识别系统自动扣取乘车费用；行人的动
作可以激活广告牌上的卡通动物，而且通过手势，行人还能与
这些卡通动物进行互动；阿玛卡的smartstream利用计算机视觉
及AR功能，实时在街景上叠加了一条虚拟的路线，为他指明目
的地的方向……
计算机视觉技术还可以基于现有的图像或视频进行“锦上
添花”，例如：
※ 对照片和视频进行智能编辑，比如美图秀秀等软件工
具，在计算机视觉技术的支持下，可以实现优化抠图、去红
眼、美化自拍等功能；
※ 医学图像分析，比如检查判断肺部CT中是否有恶性肿
瘤；
※ 内容过滤，监测社交媒体上是否出现色情、暴力等内
容；
※ 根据一段视频内容搭配相关广告；
※ 实现智能图像搜索，根据关键字或图像线索查找目标图
像；
※ 实现换脸术，把原视频中A的脸替换为B的脸。
《假面神祇》中的Deepfake视频是用一个自动编辑视频的
AI工具做的，能够把原视频中的人完全替换成另一个人，无论
是面部、手/手指、说话的声音，还是步态、体态、面部表情等
都惟妙惟肖。
计算机视觉的基础——卷积神经网络（CNN）
基于标准神经网络的深度学习并非易事。一张图像就有数
千万个像素，让深度学习模型从海量的图像中挖掘出其中的微
妙线索并成功提取特征，是一个不小的挑战。
研究人员从人类大脑中获得灵感，拓宽了深度学习的边
界。每当眼睛看外界事物时，大脑中的视觉皮层会调用许多神
经元，这些神经元只接受来自其所支配的刺激区域（也称“感
受野”）内的信号。感受野能够识别线条、颜色、角度等简单
特征，然后将信号传递给大脑最外层的新皮质。大脑皮层会按
照层次结构存储信息，并对感受野输出的信号加以处理，然后
进行更为复杂的场景理解。
卷积神经网络（CNN）就是受人类视觉工作机制的启发而产
生的。每个卷积神经网络中都有大量类似于人脑感受野的滤波
器。这些滤波器，会在图像处理的过程中被反复使用。每个滤
波器都只针对图像的部分区域进行特征提取。深度学习的原
理，就是通过不断向模型“投喂”大量的图像实现模型的优
化，在这个过程中，卷积神经网络的所有滤波器都将自主学会
应该提取哪一个特征。每个滤波器的输出，都是它所检测的特
征（例如黑色线条）的置信度。
与大脑皮层的功能网络架构类似，卷积神经网络的架构也
有等级之分。每一层滤波器输出的特征置信度都将成为下一层
滤波器的输入，用于提取更复杂的特征。举个例子，如果把一
张斑马的图片输入卷积神经网络，那么最初一层的滤波器可能
会针对图片的每个区域检测黑色线条和白色线条；高一层的滤
波器可能会在更大的区域里检测条纹、耳朵、腿；再高一层的
滤波器可能会检测出更多的条纹、两只耳朵、四条腿；有些卷
积神经网络的最高层滤波器也许会去分辨图片中的动物到底是
斑马，还是马或者老虎。
需要说明的是，我们刚才只是为了便于读者理解，才使用
人类容易理解的这些特征来举例说明卷积神经网络可能提取的
特征（如条纹、耳朵），但在实际训练中，卷积神经网络将以
最大化目标函数为前提，自主决策每一层滤波器会提取哪些特
征，也许是条纹、耳朵，但更可能是一些超出人类理解范畴的
特征。
卷积神经网络是为计算机视觉而生的一种改良版深度学习
模型架构，而且有不同版本的变体，适用于处理不同类型的图
像和视频。
人们在20世纪80年代首次提出了“卷积神经网络”这个概
念，但可惜的是，当时并没有足够的数据和算力让卷积神经网
络发挥应有的作用。直到2012年前后，人们才清楚地意识到这
项技术有潜力击败所有传统的计算机视觉技术。
现在回头去看，计算机视觉技术其实占尽了“天时地
利”。因为正是在2012年前后，人们用开始流行起来的智能手
机拍摄了海量的图像及视频，然后把它们分享到社交网络上，
深度神经网络的训练才有了充足的数据。同时，高速计算机和
大容量存储设备的价格大幅下降，为计算机视觉技术提供了算
力支持。这些要素汇合到一起，共同促进了计算机视觉技术的
发展和成熟。