在上一章，我们学习了全连接神经网络。虽然它什么都能算，但在处理图片时有个大问题：参数爆炸。 这一章我们来讲讲 CNN (Convolutional Neural Network)，它是如何让 AI 第一次看懂世界的。 虽然在今天的大模型时代，CNN 的地位已经被 Transformer 挑战，但它依然是理解“特征提取”最好的老师。
1. 为什么全连接网络搞不定图片？
所谓全连接网络 (Fully Connected Network)，就是我们上一章画的那种最直观的模型：每一个输入像素，都要跟下一层的每一个神经元连一条线。
假设你有一张手机拍的照片（1200万像素）。 如果用全连接网络，把每个像素点都当成一个输入：
这还只是第一层！这还没算显卡内存爆炸的问题。
更重要的是，这违反了人类看东西的直觉。
当你找照片里的猫时，你会死盯着左上角那个像素点的 RGB 值看吗？ 不会。你是看特征：这里有个尖尖的耳朵，那里有个毛茸茸的尾巴。 而且，猫在左上角还是右下角，它都是猫（平移不变性）。
2. 卷积的直觉：手电筒与滤 镜
CNN 的核心发明是 卷积 (Convolution)。 别被这个数学名词吓到，其实它就是带着滤镜的手电筒。
- 滤镜 (Filter/Kernel)：这不仅仅是个手电筒，它的镜片是有图案的。
- 有的滤镜专门找竖线。
- 有的滤镜专门找圆圈。
- 有的滤镜专门找眼睛形状。
- 滑动扫描 (Sliding)：拿着这个手电筒，从图片的左上角扫到右下角。
- 激活：如果手电筒照到的地方，跟滤镜上的图案很像，它就会灯亮起（输出高数值）。
这就叫特征提取。我们不需要看几千万个像素，只需要知道“哪里有竖线”、“哪里有眼睛”。
3. 抽象的阶梯：Pooling (池化)
扫完一遍后，图片还是很大。这时候需要 Pooling (池化)。 它的逻辑很简单：缩略图。
把一张大图缩小一半，细节虽然丢了，但宏观轮廓还在。
- Layer 1：看到很多线条（横线、竖线）。
- Layer 2：线条组成了部件（尖尖的形状、圆圆 的形状）。
- Layer 3：部件组成了器官（猫耳朵、猫眼睛、胡须）。
- Layer 4：器官组成了整体（一只完整的猫）。
这就是深度学习的精髓：层层抽象。
4. 为什么大模型时代它退位了？
CNN 统治了计算机视觉（CV）整整 10 年（2012 AlexNet - 2020 Vision Transformer）。 但在今天，GPT-4V、Sora、Claude 用的视觉编码器，越来越多地转向了 Transformer 架构（ViT）。
为什么？
1. 视野限制 (The Receptive Field Issue)
CNN 是局部着眼的。 它一次只能看一个 3x3 小窗口。虽然叠很多层后能看全图，但它天生对“全局关系”不敏感。
- CNN：看鼻子是鼻子，看嘴是嘴。
- Transformer：第一眼就看到了整张脸（Global Attention）。
- CNN 有很强的归纳偏置：它预设了“像素之间是局部相关”的。所以它不需要太多数据就能训练出不错的效果（省数据）。
- Transformer 几乎没有归纳偏置：它假设“万物皆可关联”。所以它需要海量数据才能把这些关系学出来（费数据，但上限极高）。 这就是为什么 Vision Transformer (ViT) 直到最近数据量爆炸了才打败 CNN。
2. 多模态统一
语言（Text）是序列，图片（Image）在 Transformer 眼里切块后也是序列。 用同一套架构（Transformer）处理所有模态，工程上最优雅，效果也更容易迁移。
5. 总结
- 卷积 (Convolution)：是为了解决全连接网络参数爆炸的问题，利用了“局部性”和“平移不变性”。
- 特征提取：CNN 是最好的特征提取器，它教会了我们怎么把原始像素变成抽象概念。
- 历史地位：它是深度学习爆发的功臣。虽然在 LLM 时代退居二线，但在端侧设备（手机、摄像头）上，由它驱动的高效视觉应用依然无处不在。
下一章预告： CNN 解决了空间上的局部关系，那时间上的先后关系（比如读文章、听语音）怎么办？ 接下来，有请真正的天选之子出场。
下一章: Transformer基础