AI 是怎么“看见”世界的?先给它装一层“视网膜”

计算机的底层是 0 和 1，这句话你可能早就听说过。

可你有没有认真想过：屏幕前的这篇文章、相册里的照片、耳机里的音乐，这些活生生的万物，究竟是怎么被两个符号 0 和 1 变出来的？

今天这篇，我们就从这块最底层的砖开始，一层层往上搭。

第一块砖，先解决最基础的问题：0 和 1 是两个符号没错，可它们怎么“拼”出屏幕前那些具体的数字？

好在晶体管天生就是“二进制选手”——它只有“开/关”两种状态，天然和 0 和 1 相配：开 = 1，关 = 0。

所以，“表示一个数字”就成了：用多个开关组合。

我们平时用的是十进制，规则是“逢十进一”：

二进制只有两个数字，规则是“逢二进一”：

十进制用 10 个符号写数字，二进制用 2 个符号写数字——符号少，但写出来的“串”更长。

就像：

“开开关关、开关开开……”几个开关排成一排，就能拼出任意一个数字。

100 个开关排一排，能表示多大的数？2 的 100 次方，也就是约 126 万亿亿亿亿……个不同的数。你根本数不完。

所以对芯片来说，数字不是问题，开开关关就完事了。

我们刚拼的都是整数。小数呢？比如 0.5，怎么用 0 和 1 表示？

逻辑其实一样，只是方向反过来了。十进制的小数点后面，是“十分位、百分位、千分位……”；二进制的小数点后面，就变成了“二分之一、四分之一、八分之一……”：

二进制的小数，就是用 1/2、1/4、1/8…… 这些“一半的一半的一半”拼出来的。

所以不管是整数还是小数，只要肯拼、肯近似，0 和 1 都能表示。

好，现在芯片会表示数字了。但你要它读一篇文章、回你一句“你好”，它总不能把“你”字也变成开开关关吧？还真能。

办法是：约定一张翻译表，每个文字分配一个固定的编号。

这套给字母编号的方案，是最早的编码标准之一，叫 ASCII（美国信息交换标准代码）。那中文呢？汉字成千上万，65、66 显然不够用。没关系，后来的 Unicode（统一编码）给世界上几乎所有文字都分配了编号：

“你好”这俩字，本质就是两个数字。这张翻译表，你可以理解成一本字典：

所以当你打出“你好”两个字，传到对面，其实传的是 20320、22909 这两串 0/1 编码。

每个字 = 一个编号 = 一串 0 和 1，字典（编码表）让芯片“认识”字。

你说：行，文字能变数字，但照片呢？声音呢？那些总不能也变成 0 和 1 吧？能，而且就是这么干的。

图片：马赛克拼图

任何一张照片，放大放大再放大，你会发现它是一格格的小方块，叫像素。比如一张 1000×1000 的照片，就是 100 万个像素点。每个像素点什么颜色？用三个数字描述：RGB（红、绿、蓝）：

你手机里任何一张照片，本质上就是一张巨大的数字表格：

一张“照片”被拆成像素后，每个格子只是 3 个数字

这就是为什么“图片太大”会让手机变慢——因为那是海量数字在排队。

声音：心电图

声音是什么？是空气的振动。电脑记录声音的方法很朴素：每隔一小会儿，采一个“音量”数字。

一秒的声音，被切成几万个时间点，每个点记一个数字。把这些数字连起来，就是一条波浪线，跟医院的心电图长得一模一样。

手机录音 1 分钟，存储里多出来的，就是这一串串“音量数字”。

现在回头看，整条逻辑链是这样的：

而 AI 能“理解”世界的第一步，靠的就是这块地基——把现实世界的文字、图片、声音，统统翻译成它能算的 0 和 1。

但这一步，只是把光收进了眼睛里——相当于给 AI 装上了一层“视网膜”。

视网膜能感知光，却还不认识光里照到的是什么。就像此刻的 AI：它确实“看到”了海量数字，可这些数字分别意味着什么，它一无所知。

一串数字本身，什么都不表示。要把“视网膜”里的光，变成大脑真正“看懂”的画面，中间还缺一层——视神经。

这层“视神经”，就是我们下一篇的主角：向量。它会把孤零零的数字组织起来，让 AI 第一次“看懂”含义。

我们下篇见 🐼

既然看到这里了，如果觉得有用，随手点个赞、在看、转发三连吧。

THANKS FOR READING