你的朋友圈被一款名叫“猜畫小歌”的微信小程序游戲刷屏了嗎?就在前幾天，當小編早晨醒來習慣性的刷了一下朋友圈，結果發(fā)現幾乎所有人都在一夜之間成了“靈魂畫手”，其火爆程度不言而喻。

　　出于職業(yè)敏感和強大的好奇心，我決定今天來扒一扒這個“猜畫小歌”底，以及其背后的Google AI究竟在醞釀什么黑科技。

　　或許有的朋友不喜歡刷朋友圈，還不知道發(fā)生了什么。那么就先讓我們來了解一下“猜畫小歌”究竟是個什么鬼。

　　簡單的說，這是一款通過手機來繪畫的小游戲，玩家需要在游戲限定的20秒內完成要求的繪畫，如果你的畫作被AI識別成功，那么就算順利達成。

　　“猜畫小歌”的一夜成名引發(fā)了全球媒體的強烈關注。據CNN消息，Google正在嘗試一種新方式來開拓中國市場。

　　據悉，“猜畫小歌”由來自Google AI的神經網絡驅動，該網絡源自囊括超過5000萬個手繪素描的數據群。Google產品經理Chris Tam在博客中說，這個游戲旨在讓人們“有機會體驗一下人工智能的交互現在是多么自然”。

　　谷歌早在去年就通過另外一種方式回歸中國，那就是在北京成立了Google AI中國中心。

　　相信正是因為這樣的契機，才會讓我們中國的用戶通過微信小程序這個途徑，獲得了這次“零距離”體驗人工智能高科技的機會。同時也因為微信極強的社交屬性，讓這款小程序游戲能夠在一夜之間火遍全中國，成為了轟炸朋友圈的利器。

　　好了，現在來劃重點：“猜畫小歌”這款微信小程序游戲來自Google AI，其技術核心是“超過5000萬個手繪素描的數據群” 和“Google AI的神經網絡驅動” 這兩大關鍵。接下來我們就從這兩個技術入手，看看Google AI正在醞釀著哪些黑科技。

　　首先，我們就從數據的部分入手，看看谷歌都從哪搞來這么龐大的圖形數據庫。

　　5000萬手繪素描數據來自哪?

　　按照機器的運行邏輯，不難猜出“猜畫小歌”的核心在于“數據”和“識別”這兩大核心技術。

　　只要有了強大的數據庫支持，然后再經過機器的篩選和識別，自然就能夠輕松的識別出你畫的是什么鬼東西了~數據庫中的有效樣本越多，那么識別的準確率也會越高。

　　其實這個道理也可以同樣應用于人身上，你的閱歷越豐富，那么你越容易做出正確的決定。

　　那么問題來了，Google AI的數據都是從哪里來?前文提及的“超過5000萬個手繪素描的數據群”又是如何產生的呢?

　　其實早在2016年，Google就推出了一個網頁版的《快速涂鴉》小游戲，但是由于中國大陸無法訪問Google，因此關注的人并不多。

　　筆者也實際體驗了一下這款網頁版本的《快速涂鴉》，相比用手指在手機屏幕上作畫，通過鼠標在網頁作畫的體驗要差很多。

　　不過令人感到贊嘆的是，當我的遙控器還沒畫完的時候，機器就已經非?？焖俚淖R別出，令人驚奇。

　　Google正是通過這個網頁小游戲，讓來自全球的玩家通過鼠標在網頁上進行作畫不斷的完善數據庫，以協(xié)助訓練神經網絡識別涂鴉。

　　按照《快速涂鴉》的網頁提示，我們來到了涂鴉數據的大本營。在這里匯集了全球1500萬玩家貢獻的超過5000萬份的涂鴉數據。

　　在Google看來，這些涂鴉是一個獨特的數據集，可以幫助開發(fā)人員培訓新的神經網絡，幫助研究人員了解世界各地人們如何繪畫，并幫助藝術家創(chuàng)造我們尚未開始思考的事物。

　　我們點開“apple”這個樣本，會發(fā)現其實Google已經通過這個小游戲收集了139,898個有效的數據樣本。

　　無論你是來自世界的任何一個地方，只要你見過蘋果，那么蘋果在你的意識形態(tài)中的樣子基本不會超出這139,898樣本之外。這也就解釋了Google AI為什么能夠如此快速的識別出你畫出圖形，因為這個數據庫實在是太過于強大了。

　　我現在越來越理解AI為什么叫人工智能了，那就是賦予機器像人一樣的邏輯和思維能力。而數據和決策，對人或者是對機器都是同等的重要。唯一不同的是，人有情感，而機器或許目前沒有，至于以后，誰知道呢~

　　神經網絡如何像人類一樣思考?

　　解決了數據樣本來源的問題，那么剩下的問題就是讓機器來如何學習和分析這些數據樣本，并最終做出決策。

　　關于“人工智能”這個詞匯，其實我們都已經非常熟悉了，但是或許你很少聽到“神經網絡”這個詞。而很多專業(yè)的人士認為，“神經網絡”是“人工智能”發(fā)展的基石，比如模式識別、自動控制，以及最核心的深度學習都基于它。

　　那么神經網絡究竟該如何理解呢?在很早以前，科學家們希望創(chuàng)造出能夠像人類一樣思考的機器。

　　經過研究發(fā)現，人類之所以具備思考的能力，其根本是我們體內的神經網絡，而組成神經網絡的個體就被稱為神經元?？茖W家們大膽設想，如果能夠制造出人工神經元，那么就能夠制造出人工神經網絡，從而讓機器“深度學習”并像人一樣“思考”。

　　提到“深度學習”這個關鍵詞，其實你可以把具備人工神經網絡的機器視為一個剛剛出生的嬰兒，而嬰兒的大腦里是一片空白。

　　嬰兒通過不斷的成長學習到更多的知識，并通過這些經歷形成了獨立思考和獨立決策的能力。而機器在通過“深度學習”之后，也將具備同樣的能力。

　　唯一不同的是，人靠的是大腦來進行思考。而機器是通過TPU對大量的數據進行分析和計算并通過建立的模型來做出最終的判斷。

　　那么面對問題，人類是如何思考的呢?舉個簡單的例子，你正在為中午吃什么而發(fā)愁。

　　擺在你面前的是三個問題：①沙縣小吃是否好吃;②沙縣小吃遠不遠;③外面天氣怎么樣。

　　經過觀察和思考你會發(fā)現：你喜歡吃沙縣小吃，最近的沙縣小吃有點遠，外面天氣不錯。于是你糾結了，但你真的是個吃貨，最終你決定：今天中午走遠一點去吃沙縣小吃。

　　和你不同的是，機器會把這一切都變成0和1來進行計算。

　　比如問題①沙縣小吃好不好吃?答案是0代表好，1代表不好。機器通過采集到的數據對不同的問題進行判斷，形成不同的0或者1。那么機器如何做最終的決定呢?

　　機器會把不同的問題加上一個加權值。比如你對口味要求高，那么問題“①沙縣小吃是否好吃”的權重就更高;相反你不太在意距離的遠近，那么問題“②沙縣小吃遠不遠”的權重就會很低。

　　通過對不同問題分析和判斷，并輔以加權值的復雜計算，最終機器會計算出一個結果：今天中午走遠一點去吃沙縣小吃。

　　就是這樣，機器和你都做出了你認為十分正確的決定，而且都經歷了“觀察”和“思考”的過程。

　　唯一不同的是，你是通過大腦里神經元的微電荷來做出的決定，而機器是通過構建模型、大量數據的分析、對比、計算、加權……等一系列的復雜計算而做出的。