师：同学们，今天让我们一起来探秘人工智能。其实，人工智能在我们生活中已屡见不鲜。比如家里的智能音箱，问它“今天天气怎么样”，它就会播报最新天气预报，还能跟我们对话，是不是挺智能？再如出行时打开手机地图 APP，输入目的地，它能规划路线、预估出行时间，还会告知哪里可能塞车，智能吧？还有很多单位的人脸识别闸机，人一走上去就能识别并判断是否放行，也很智能。
现在有个问题，这里有一道小学奥数题：算法描述题×算 = 题。每个汉字对应一个数字，在没算出答案时，有个机器人给出答案 79365。能解答这道奥数题的机器人，你们觉得它智能吗？先别急着下结论，我们看看机器人是怎么解决这个问题的。每个汉字对应 0 - 9 这十个数字之一，机器人不厌其烦地把每个数字带入式子验算，最后得出正确答案，这种把所有可能都试一试的方法叫搜索算法，是人工智能早期的主要算法。虽然简单，却给人工智能带来很大突破。1997 年，IBM 造了一台专门做搜索的机器叫 deep blue 深蓝，它挑战当时国际象棋第一人卡斯帕罗夫并击败了他，从此国际象棋领域被搜索算法攻克。
国际象棋规则明确，每一步的可能性和走法清晰，但生活中很多情况规则不清晰，甚至无法准确描述。比如分辨鸢尾花，全世界大概有 30 多种，最常见的是变色鸢尾花和山鸢尾，它们花瓣颜色和形状极为相似，一般变色鸢尾花花瓣大一点，山鸢尾花瓣小一点，可这“大”和“小”没有明确规则，计算机能准确识别这两种花吗？
为解决这个问题，我们收集大量数据，标注每种鸢尾花对应的花瓣长度和宽度。每个数据可映射成坐标轴上的一个点，横坐标代表花瓣长度，纵坐标代表花瓣宽度。对鸢尾花的分类就等价于在坐标轴上画一条直线，让变色鸢尾花在直线上方，山鸢尾在直线下方，这条直线可用线性函数 A1X + A2Y + b = 0 描述。如果现有数据点没被准确分类，就改变函数参数，让现有数据能准确分类。训练的数据越多，分类越准确。训练完后，对未分类的数据点，通过计算就能得到分类。
函数通过已标注的数据自我修改参数来适应数据的过程，就是机器学习。分辨鸢尾花这个例子相对简单，因为鸢尾花特征确定，花瓣大小、长度和宽度可量化，但现实生活中很多问题特征不明确，无法量化。比如图片中猫和狗的特征，能用统一数学规则表述吗？显然不能。计算机怎么识别图像中的猫和狗呢？这就需要借助特殊工具。
第一个工具是卷积，卷积是一种数学运算，一般两个形状相同的矩阵卷积，等同于矩阵相同位置的数相乘后，再对乘积求和。若将小矩阵与大矩阵进行卷积运算，会得到新矩阵。有了卷积就能进行图像处理，灰度图像等同于整数矩阵，将其乘以小矩阵得到新矩阵，可看成新图像，这新图像往往具备原图像不清晰的性质，可认为提取了原图像的一个特征。
举个例子，这是原图像，乘以上面这个矩阵，得到新图像，提取的是原图像水平方向的线条，可认为提取了水平方向的特征；乘以中间这个矩阵，得到新图像，提取的是原图像竖直方向的线条，可认为表达了竖直方向的特征；乘以下方这个矩阵，得到新图像，提取的是原图像的轮廓特征。通过卷积运算能提取图像特征，但光有卷积还不足以让计算机识别图像，还需要卷积神经网络。
卷积神经网络由多个顺序连接的层组成，第一层以图像为输入，经过特定卷积运算，能提取图像特征，比如眼睛、耳朵的轮廓，后面的层以前一层的特征为输入，再经过特定变换，转换成更高层次的特征。经过多个层次变换，可将原图像转换为具有抽象特征的图像。