能看懂视频’项目，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，哪几帧画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，举个小学生都懂的例子，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，其实有点儿像老师给小学生上语文课。
相信小学生都记得，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？
很多小学生当初肯定是内心有一万头羊驼奔腾而过：尼玛！老子知道这个课文说了啥，看懂不就好了？你问