答疑公会提问（续）

在7月10号那天我们推送的文章中，小产用一张图展示了曹老师整理的公会活动问题。喏，就是下面这张图：

其实，小产的本意是只展示到Q3。不过，为了让广大公会的朋友能够进一步思考其他的问题，所以我们其实在截图时截取了5个问题。

总之，我这么做绝对不是因为我在回答了3个问题之后，发现已经凑够了篇幅，又懒得再去改图，所以凑合着直接贴上来了。

既然大家已经看到了后面的问题，下面我就Q4采访一下我们的AI专家，曹老师。

曹老师：我不是上上周已经把所有问题的答案都一口气写给你了吗？明明是你自己要一条一条发出来好凑推送稿的，怎么又问我？

小产：   好的，谢谢曹老师。下面我来总结一下曹老师上面的回答。曹老师的意思是说，“深度学习算比较新，上层会分支为CNN/RNN/GAN等等，未来的人工智能应该是机器能更自主地完成任务。”

曹老师： 这段文字就是我上上周写给你的！

咳咳……那个啥，下面我来用自己的方式给大家简单介绍一下曹老师提到的CNN/RNN/GAN是啥，能干个啥用。这次真是我自己的语言啊。

考虑到GAN我们在上一期已经进行了简单的说明，这一期我们把重点放在CNN上。

话说，每次提到CNN的时候，都有朋友表示学了也没用。我问为什么，他们告诉我“反正我也收看不了”。

我在这里强调一下，这里说的CNN不是大家平时理解的那个CNN啊。大家进入了人工智能这个行业，有一个词可能时时都会听到或者说到，几乎是这个领域从业者每天都会接触的一个名词。和其他技术人员打交道的时候，对方也有可能经常张口闭口就是这个词。听上去就像在点肯德基一样。

对了，这个词就是卷鸡积。CNN里面的C就是卷积（convolution）的意思啊。至于后面的两个N，就是神经网络（neural network）。所以这里的CNN，全称是卷积神经网络。

那么，这个鸡积，到底要怎么卷呢？它和人工智能之间又是什么关系呢？

嗯……卷积其实是一种运算。对于连续函数，卷积是求一个函数与另一个（经过了翻转和平移的）函数乘积的积分，所以这里的“积”同时包含了乘积和积分的意思。关于卷积的数学背景，小产在这里就不做过多说明了。在我们的AI课里，江老师都会进行详细讲解的，大家一定要好好学啊。

那么，求卷积这种计算为什么会广泛地运用在人工智能领域呢？它都可以做什么用呢？

首先，人工智能领域最常采用的运算还真不是求卷积，而是求互相关。由于求互相关的公式和求卷积的公式看上去巨像，所以在咱们的深度学习领域，大家就直接把求互相关也统称为求卷积了。因为长得像所以叫着叫着就叫到一起去了，这个大家都能理解吧？

不过，无论求互相关还是求卷积，在人工智能方面使用这种计算方式的目的都差不多，它们可以用来进行特征匹配。

什么叫特征匹配呢？

打个比方吧，某人听说美女的标准是柳叶眉、丹凤眼、樱桃口、满月脸，于是坚定地把这4条标准作为了自己求偶的门槛。那么如果使用卷积的做法，那他完全可以按照这4个标准定义4个函数，这些函数叫作这些特征的核函数。接下来，他可以让人工智能将大量女性面部照片转换为对应的函数，分别求这些函数与这位仁兄定义的那些核函数的卷积。

卷积的计算结果可以用数字化的形式显示最匹配这个标准的女性。这样一来，机器就可以直接找出最符合他求偶标准的美女像了。对了，就是下面这样的，嗯：

上面这个过程就是用卷积来匹配特征的方式。大家在YESLAB课堂的实验当中，也会经常做一些判断小动物品种的实验，这类人工智能实验就会和卷积这种计算有关啊。

说到这里，大家也就多少可以理解，为什么学习人工智能，推荐拥有一定的数学基础了吧？

最后，小产来回答一下我们在上一期最后留下的两个小问题：

1、“温斯顿”真的就是人工智能啊，为什么要怀疑呢？哈哈哈……

2、2050年，来势汹汹的黑色气泡会完全吞噬掉人类的蓝色气泡。那个黑色气泡就是不断发展的（AI）技术。

（THE END）