统来实现，比如基于md5、基于用户的ip等信息设置黑名单库，直接基于规则进行拦截。

大部分还是会采用算法模型，也就是用算法模型判断一张图像中是否包含sq信息，本质上就是图像识别。

图像识别目前在部分任务上的效果甚至超越了类。

图像识别中最常见的就是图像分类算法，从alex到vgg，从res。

目前的图像分类算法可以较为准确地区分image的1000类数据，鉴黄本身也是对输图像做分类，因此采用图像分类算法就是顺其自然的事。

而且目标检测算法可以用来检测sq图像中的露点部位，也是比较可靠的手段。

此外，还有基于业务层面构造的特征和逻辑，比如是否有、皮肤的面积等，用来辅助判断，在一些况下确实是有效的。

ai鉴黄的难点主要在于不露点的软sq，特征小的sq、非通用sq以及卡通动漫sq等等。

这是图片ai鉴黄的难点，视频和音频鉴黄的难点就更多了。

而且对于这帮互联网大厂来说，即便能够做到百分之九十九的拦截率，剩下百分之一的内容都不得了。

以微博为例，每天产生的数据都是以t为单位。

即便是几十个t，百分之一的拦截失误率，都足够把来总整的够呛。

而且更重要的是华国的内容审核行业，不仅仅局限于鉴黄，ocr审查这帮互联网大厂更是很早就在做了。

点到为止。

同样的道理，百分之九十九的拦截率，对他们来说都是无法接接受的。

所以一直到了2031年，依然是ai加工的鉴黄方式。

只是说2021年的时候像微博这个体量的，可能需要上千名鉴黄师，到了2031年只需要上百名。

四位数变三位数。

至于微信，你在一遍，然后丢到后端的审查接。

通过权重算法来判断你是否有违规行为，触发特定规则之后，会决定你倾向的权重，权重超过阈值之后你会被重点关注。

将会有工来对你进行审核。

当然这种审核不仅仅是国内的大厂，fb、ins、youtube、google和推特都有大量的工审核团队。

他们的审核团队放在菲律宾。

在2018年的时候，关于这件事，pbs放过一个纪录片。

对于国内外的互联网巨们来说，他们在文字识别上能够做到接近百分之百，但是在图像分类测试中，只能做到98%左右。

而且对算力有非常高的要求，压根用不到实际的生产环境里。

这是image每年的图像分类测试竞赛结果，实际运营中的图像视频识别比image竞赛可要难得多。

而郑理公开的ai算法后，利用m语言写出来的模型。

从部署到使用突了这帮互联网公司的认知，一个能够对内容实现99.9的识别成功率的ai模型，需要花的算力和之前差不多。

也就是说之前互联网大厂们几百的ai鉴黄规模，现在再度被压缩了百分之九十。

ai鉴黄只是m语言最先落地的应用。

它代表的ai技术，在算力优势以及算法本身的落地难度都大幅度提升。

它允许轻松构建大部分原本复杂的架构，能够广泛的应用在工业领域。

大量易于组合的模块化部件，编写自己的图层类型、计算图抽象、数据和模型并行、动态类型的稳定等等都完美适配。

在算法工程师们使用之后，github上m语言相关的项目成为社区热门。

国外的程序员社区里，活跃的大牛都在吐槽，一些很少发言的大牛也冒泡了：

“梅林的技术远超我们的想象，如果m语言是他自己开发的，那他在ai领域的造诣要超过我们所有。

真的很难见到一款没有任何缺陷的ai编程语言。

像caffe能够把mab的快速卷积网络实现移植到c和c++，适用于前馈网络和图像处理，不需要任何代码就可以训练模型。

但是caffe不能使用于循环网络，同时扩展极差。

谷歌推出的tensorflow框架能够生成计算图之后执行自动微分，不需要在尝试新的神经网络排列的时候，手动去进行编码。

但是它运行速度很慢，同时在大型的软件项目里非常容易报错。

基本上这些年各大互联网巨们推出的ai框架，或多或少都会存在问题。

当然这是无法避免的，没有什么东西能够完美。

就像java使用的再多，活跃的时间再长，也是能够找到缺点的。

但是m语言在工智能领域，就好像没有缺点一样。

好像经过了无数次的测试和优化，达到了一种圆满。

这让我严重怀疑，梅林掌握的工智能是强工智能。

他能够实现几乎蓝星对于工智能的所有幻想。

包括自我编程。

一段代码能够编译另一段代码，好像也不是那么稀奇。

毕竟现在的工智能模型已经可以自己进行简单的编程了。”