5.3 深度学习架构

说明 本讲核心：不同的器官负责不同的感觉。AI 也是如此，不同的架构负责不同的数据。 一句话口诀：看图用卷积，听话用循环，万事不决转 Transformer。

5.3.1 CNN：计算机的“眼睛”

卷积神经网络（CNN） 是专门为 图像 而生的。 通过它，计算机终于“看”懂了世界。

它的核心法宝叫 “卷积核”（Filter）。 想象你拿一个小的方形放大镜，在图片上从左到右、从上到下地扫描。

• 第一层扫描：发现了“横线”、“竖线”（边缘）。

• 第二层扫描：发现线条组成了“圆圈”、“方块”（形状）。

• 第三层扫描：发现圆圈组成了“眼睛”、“轮子”（物体部件）。

CNN 的哲学是：局部这一小块像素，比整张图更重要。 正是因为 CNN，我们才有了人脸识别、自动驾驶、医学影像 AI。

5.3.2 RNN：计算机的“耳朵”

如果说图像是 空间 的（上下左右），那么语言就是 时间 的（先后顺序）。 “我爱你”和“你爱我”，字完全一样，但顺序变了，意思就反了。 处理这种序列数据，就要靠 RNN（循环神经网络）。

RNN 有一个 “记忆条”。 处理“爱”这个字时，它脑子里还留着“我”的残影；处理“你”时，它还记得前面的“我爱”。 正因为有了记忆，它才能由上文推断下文，才能做翻译、语音识别。

但 RNN 有个大毛病：记性不好。 句子太长（比如隔了 500 字），它就忘了开头讲啥了。这也是早期机器翻译总是驴唇不对马嘴的原因。

5.3.3 Transformer：全能的“大脑”

2017 年，Google 一篇论文《Attention Is All You Need》，改变了 AI 的历史。 Transformer 横空出世。

它抛弃了 RNN 那种“一个字一个字读”的慢节奏，直接 “一目十行”（并行计算）。 它用 “注意力机制”（Attention），就像探照灯一样，能瞬间聚焦到整篇文章里最相关的那个词，不管它离得有多远。

Transformer 是如此强大，它不仅横扫了 NLP（语言），现在还杀进了 CV（视觉）。 它可以说是现在的 大一统架构。GPT、Claude、Sora，骨子里流的都是 Transformer 的血。

5.3.4 思考题

人类的进化是先有眼睛耳朵（感官），最后才进化出强大的大脑皮层（思维）。 AI 的发展似乎也是这样：先搞定 CNN（视觉识别），再搞定 Transformer（理解思维）。 那么下一阶段的进化会是什么？是 身体（机器人） 吗？