写真を「見る」とは、数を受け取ること
スマートフォンで撮った写真を拡大していくと、やがて小さな四角いマス目が見えてきます。滑らかに見えた空や顔は、実は、色のついたマス目の集まりです。このマス目が画素(ピクセル)で、コンピュータにとっての写真は、マス目ごとの明るさを書き並べた、数字の表にすぎません。
白黒なら、1マスに1つの数
この章の例では、8×8マスの白黒の絵を使います。各マスの明るさを、0(黒)から9(白)の数字で書くと、絵は64個の数字の表になります。人は絵を目で見ますが、AIが受け取るのは、この数字の表のほうです。
AIにとって、絵は「見るもの」ではなく、「計算の材料」である。
カラー写真は、数が3倍になる
カラー写真では、1つのマスを、赤・緑・青の3つの数で表すのが一般的です。横1200×縦800画素の写真なら、1200×800×3=2,880,000個の数になります。何気なく撮った一枚が、300万個近い数の並びです。
並べ直すと、ベクトルになる
表の数を1行目から順に一列に並べ直すと、数の並び、つまりベクトルになります。8×8の絵なら64個の数です。座標 (x, y) が2つの数で平面上の点を表したように、64個の数は、64次元の空間の1点を表します。想像しにくい空間ですが、「絵が1つの点になる」と考えると、計算の見通しが立ちます。
近い絵を、数で測る
点になれば、点どうしの近さが測れます。2枚の絵のマスごとの差を二乗して足すと、違いの大きさが一つの数で出ます。同じ絵なら0です。ただし、1マスずれただけでも大きな値になるので、人が感じる見た目の近さとは、完全には一致しません。それでも、「近い・遠い」を計算で扱えるようになったことが、このあとの章すべての出発点です。
入口にすぎない
絵を数に直す部分は、いわば入口です。そこから「何が写っているか」を導くには、この数の並びに、掛け算と足し算を何度も重ねます。その中身を、これから順に見ていきます。まずは、下の図でマスを塗って、数が変わる様子を確かめてください。
数が多いことの意味
300万個近い数、と聞くと途方もなく感じますが、コンピュータにとっては、特別な量ではありません。むしろ大事なのは、数の個数が、写真の大きさに比例して増えることです。縦横を2倍にした写真は、数が4倍になります。画像を扱うAIの計算が重くなりがちなのは、この増え方のためです。そのため、実際のAIは、写真を一度小さく縮めてから計算するなど、数を減らす工夫を、よく行います。
「見る」の正体を、疑ってみる
AIが「猫が写っている」と答えるとき、猫を見ているわけではなく、数の並びに計算を施した結果として、「猫」というラベルが出ているのです。ここで、少し不思議なことに気づきます。人の目には全く同じに見える2枚の写真でも、数の並びとしては、ほんのわずかに違っていることがあります。数のレベルで見れば、「似ている」の基準は、人の感覚とは別に、計算で決めなければなりません。次の章以降で、その基準を作っていきます。