目前的图像分类算法可以较为准确地区分ia的1000类数据，鉴黄本身也是对输入图像做分类，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，比如是否有人、皮肤的面积等，用来辅助判断，在一些情况下确实是有效的。

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加人工的鉴黄方式。

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口。

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。

将会有人工来对你进行审核。

&nle和推特都有大量的人工审核团队。

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头们来说，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。

&ne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ia竞赛可要难得多。

而郑理公开的ai算法后，利用语言写出来的模型。

从部署到使用突破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人的ai鉴黄规模，现在再度被压缩了百分之九十。

ai鉴黄只是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、动态类型的稳定性等等都完美适配。

&nithub上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人。

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atb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，同时扩展性极差。

&nrflo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