華為 P30 Pro 拍月亮是 P 圖？那是你不瞭解深度學習

昨天晚上，華為 P30 Pro 拍月亮的視頻可以說瞬間上了熱搜，愛否科技主編質疑華為 P30 Pro 拍月亮是 P 圖，瞬間引發了數碼圈的一場大地震。

而最後經過證實，華為 P30 Pro 的月亮模式會對月亮進行細節優化，從而讓拍出的月亮更好看一些，並不會增加不必要的細節。

而愛否科技主編最後的內褲識別成環形山（其實是月海，並非是環形山），最後才發現是並沒有對焦成功拍糊的情況下 AI 對照片自動做出的優化，而在對焦清晰的情況下，內褲還在。

在沒有對焦完全清晰的情況下，雖然內褲模糊，但是輪廓還在

這一輪下來，對於吃瓜群眾來說的感受就是，哇塞，華為 P30 Pro 的拍照真牛，畢竟去掉月亮模式，也可以非常清晰地拍清楚整個月亮。

而月亮模式對月亮的細節優化，嚴格來說並不算 P 圖，應該是用到了 AI 裡的深度學習。

我們知道人工智能發展到一定程度的情況下，他就會對很多事情進行合理地推斷預測，從而模擬或實現人類的學習行為，由此誕生了 AI 裡的一個領域，叫“機器學習”。

機器學習（Machine Learning）是一門專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能的學科。

1959 年來自 IBM 的工程師塞繆爾設計了一個西洋跳棋程序Checkers，想看看計算機是否具有學習能力。結果發現它可以在不斷的對弈中改善自己的棋藝。4年後，這個程序戰勝了設計者本人。又過了3年，這個程序戰勝了美國一個保持8年之久的常勝不敗的冠軍。

這個程序向人們展示了機器學習的能力，由此慢慢演變出“機器學習”這門學科，包括你看，前段時間阿爾法狗 0 比 3 完虐世界圍棋第一人柯潔，就可以知道，計算機是可以通過不斷學習來提升自我，明明在一年以前，阿爾法狗對戰早已不再巔峰狀態的李世石，還無法取得完勝，但是一年以後，就可以挑戰處在巔峰狀態的柯潔，並且取得完勝。

但是機器學習的出現，在提出了許多令人深思的社會問題與哲學問題。那就是人工智能會不會不斷髮展，慢慢取代人類，還有就是“我”這個終極哲學命題，也在此基礎上，誕生了許多的人工智能電影，討論這個話題，比如《我，機器人》、《機器紀元》等。

而2006年，“AI 教父”谷歌大腦研究小組的負責人，多倫多大學的榮譽教授 Geoff Hinton 在機器學習的基礎上提出了“深度學習”的概念，1956年，美國認知心理學家弗蘭克·羅森布拉特基於神經元的理論發明了一種模擬神經元的方法。可以模擬人腦計算的方式。和我們從感官中獲取數據一樣，這些神經元可以獲取傳入數據並進行學習，所以神經網絡可以隨著時間的推移做出決定。但是因為時代的原因，學習算法當時對於多層結構的神經網絡不起作用。人工智能學者們也因此放棄了學習式軟件的想法。他們轉而研究起了機器學習。

而出於人腦的好奇， Geoff Hinton 通過使用計算機科學的方法來模擬大腦，並進入人工智能領域，開始了他近40年的神經網絡研究生涯，從而提出了“深度學習”這一概念。

深度學習的概念源於人工神經網絡的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分佈式特徵表示。

如果是傳統機器學習的方法，我們會首先定義一些特徵，作為我們的機器學習的特徵，以此來對我們的對象進行分類識別。比如耳朵、鼻子、眼睛，從這個特徵裡，對對象進行分類。

而深度學習的方法則更進一步。深度學習自動地找出這個分類問題所需要的重要特徵！傳統機器學習則需要我們人工地給出特徵！

如果是傳統機器學習的方法，我們會首先定義一些特徵，作為我們的機器學習的特徵，以此來對我們的對象進行分類識別。比如耳朵、鼻子、眼睛，從這個特徵裡，對對象進行分類。

而深度學習的方法則更進一步。深度學習自動地找出這個分類問題所需要的重要特徵！傳統機器學習則需要我們人工地給出特徵！

像如果我們要識別出圖片上有哪些物體，找出它們的位置。那麼傳統機器學習的做法是把問題分為兩步：發現物體和識別物體。先物體邊緣的盒型檢測算法，把有可能的物體框定。然後，再使用物體識別算法，例如SVM在識別這些物體中分別是什麼。

但是深度學習不同，給它一張圖，它直接給出把對應的物體識別出來，同時還能標明對應物體的名字。這樣就可以做到實時的物體識別。例如YOLO net就可以在視頻中實時識別。

今天我們通過語音識別進行圖片檢索、在手機上把語音轉化為文字的技術的實現，都是仰賴於深度學習，而研究更深度的神經網絡，以解決更復雜的問題，也可以應用在更加廣泛的方面，比如自動駕駛。

甚至於谷歌的AI圖片預測補全技術，根據已知數據和大數據補全圖片信息，就是在深度學習的基礎上研究的算法，這非常適用於刑偵破案。

我們現在所用到人臉識別技術也是來自於深度學習。

當然了，深度學習是一個非常大的門類，涉及到非常多的不同算法，究竟華為 P30 Pro 使用的是什麼算法來對月亮進行細節優化，這個就不瞭解了。

深度學習很多時候我們難以理解。一個深層的神經網絡，每一層都代表一個特徵，而層數多了，我們也許根本就不知道他們代表的啥特徵，我們就沒法把訓練出來的模型用於對預測任務進行解釋。

例如，我們用深度學習方法來批量批改作文，也許我們在訓練的時候，做出來的模型對作文評分都十分的準確。

但是現實存在的情況太多種多樣了，我們又無法理解模型到底是啥規則，這樣的話，那些作文拿了低分的同學找你質問“憑啥我的分這麼低啊？！”，你也啞口無言····因為深度學習模型太複雜，內部的規則很難理解。

這也是為什麼 華為 P30 Pro 在拍攝月亮時，對細節的優化並不是都一樣，因為它自己對每個月亮的判別是不同的，所以它在進行細節優化的時候，得出的結果肯定也是不一樣的，這也是為什麼在月亮上有內褲的時候，沒有對焦上，內褲模糊的時候，它會自動判定為月海，對圖片進行修正，讓月亮的輪廓、細節變得更清楚。

畢竟，AI 終究是 AI ，它怎麼也不會想到，裡面沒有對焦清晰的東西會是一個內褲。當然了，在對焦清楚的情況下， 在知道月亮裡的物體是什麼情況下，它就不會對內褲進行修正，因為它雖然具備發達的神經網絡，但是它畢竟不會和人腦一樣會思考：為什麼月亮裡會有內褲，但是是拍照出現問題了，那我應該要把內褲進行進行修改成月海。

它並不會這樣，只是會在細節上進行修正，或者對模糊的圖片進行重新推倒還原。讓圖片變得更加清晰。比如華為工程師提到的開源算法：Deep Plug-and-Play Super-Resolution for Arbitrary Blur Kernels

但是這遠遠夠不上 P 圖，就好像我們平常拍照會對自己美顏一樣，或者對風景美顏一樣，只是會讓照片變得更加好看而已。

當然了，這也讓我們看到了華為在軟件算法領域的深度探索，的確在硬件與軟件領域，都取得非常重要的突破。