目，其项目预期期限，需要5年，才能攻克全部技术难点。

    但是，这5年不是‘行百里而半九十’的，而是按照一个个技术阶段分别攻克的。他们要实现的最终目标，是‘通过让人工智能算法，识别出一个视频中，哪几汁面才是决定全篇调性、故事主题的‘主要内容/中心思想’。

    然后，再通过精读识别这些帧的画面上，有多少人物、什么动作、发生了什么故事’，最后总结出‘这视频大致是在说讲怎么样一个故事’。”

    冯见雄说到这里的时候，稍微停顿了一下。也观察了杰克马的接受度，又通俗解释了几个点。

    他的这番理论，如果都用术语表述，可能比较晦涩。

    但是，举个效生都懂的例子，横向对比一下，就通俗了——谷歌科学家们，在调教“深度学习”型人工智能、理解人类语言文字/图像信息的时候，其实鱼儿像老师给效生上语文课。

    相信效生都记得，当年语文课的时候，老师会不厌其烦问你：这篇课文的主要内容是什么？中心思想是什么？线索是什么？

    很多效生当初肯定是内心有一万头羊驼奔腾而过：尼玛Ｏ子知道这个课文说了啥，看懂不就好了？你问个屁的“主要内容”、“中心思想”啊＜试答错了还扣分！

    但你别说，调教机器人学语文的时候，还真得严格按照“主要内容”、“中心思想”这么一步步总结下来。很多人类觉得可以靠本能绕过去、或者省略掉的步骤，机器是绕不过去的。

    杰克马很快就懂了，示意他继续：“那么，然后呢？”

    冯见雄继续解说：“既然知道谷歌的技术路线了，那么我们就可以推断：在实现最终极的目标之前，谷歌需要先解决‘读懂一张图里发生的故事’的问题，然后再考虑‘如何选出一个视频中最能体现中心思想的那几帧’。

    那么，距离‘读懂一张图里的故事’这一步，谷歌目前差多远呢？我认为大致是三年——目前谷歌已经可以做到识别图片里是不是有一张人脸，但还没法识别这个人到底是谁、和另一张照片里的人是不是同一个。

    谷歌还能识别出‘图里有没有一只猫’，但识别不出‘这只猫和刚才那只猫是否是同一只’。而大约三年之后，这些都不是问题。谷歌能做到‘从识别出图里有只猫’，到‘识别这一众讲什么故事’。

    我们如果紧跟谷歌的步伐，结合阿狸系的图像识别研发，就算留一年余量好了。那么2016年也能搞出‘让机器读懂一帧’的商用技术。当然，这里面肯定需要与阿狸系图像识别团队的深度合作，也需要后续的投资。

    而对我来说，只要做到了‘识别出一帧’，我就能‘大致读懂整个故事’，从而把谷歌需要用纯技术手段解决的问题，用运营手段给暂时绕过去。”

    技术不够，运营补。

    这一招，冯见雄用得屡试不爽了。

    “怎么补？”杰克马的语气已经有些急切，他觉得自己完全被冯见雄天才的脑洞给折服了。

    “杰克，你看过N站的视频么？看过优酷或者youtube的么？”冯见雄不公布答案，而是先反问了一句。

    “都看过吧，不多。”杰克马不明所以，回答得比较谨慎。

    冯见雄终于到了揭开谜底的一刻，他傲然笑道：“那不知道你有没有发现一个细节——优酷和youtube上的视频，其实都是没有‘封面’的，而我们N站的UP主，在上传视频时，已经养成了另外传一张图片作为封面的习惯了——当然，说实话，这个习惯不是UP主们自发养成的，是我让天音硬逼着UP主们养成的。

    或许将来有人看到这一招有效之后，会跟风我。但是一个网站的内容提供者水平，是不可能一朝一夕提高的，用户习