《大(dà)西洋月(yuè)刊》(The Atlantic)撰文稱，人(rén)類最早在岩石上畫(huà)圖形的(de)時(shí)候，實現了(le)巨大(dà)的(de)認知躍進——如今，計算(suàn)機也(yě)在學習(xí)做(zuò)同樣的(de)事情。要是谷歌(gē)教導AI去繪畫(huà)，那會有助于它思考以及像人(rén)類那樣思考嗎？

　　以下(xià)是文章(zhāng)主要内容：

　　想象一下(xià)，有人(rén)叫你畫(huà)一頭豬和(hé)一輛卡車。你可(kě)能會畫(huà)成這(zhè)樣：

　　這(zhè)很簡單。但接著(zhe)，想象下(xià)你被要求畫(huà)個(gè)豬卡車。作爲人(rén)類，你會直觀地想到如何将豬和(hé)卡車這(zhè)兩個(gè)物(wù)體的(de)特征結合起來(lái)，也(yě)許你會畫(huà)成下(xià)面這(zhè)樣：

　　看看那條小小的(de)、彎曲的(de)豬尾巴，看看駕駛室有點圓的(de)窗(chuāng)口，該窗(chuāng)口也(yě)會讓你想到眼睛。車輪變成了(le)蹄狀，又或者說豬腳變得(de)像車輪。如果你這(zhè)麽畫(huà)，同爲人(rén)類的(de)我會主觀地認爲這(zhè)是對(duì)“豬卡車”很有創意的(de)一種解讀。

　　谷歌(gē)的(de)AI 繪畫(huà)系統SketchRNN

　　直到最近，隻有人(rén)類能夠完成這(zhè)種概念轉變，但現在并不隻有人(rén)類能夠做(zuò)到了(le)。該豬卡車實際上是極具吸引力的(de)人(rén)工智能系統SketchRNN輸出的(de)作品，該系統是谷歌(gē)探究AI能否創作藝術的(de)新項目的(de)一部分(fēn)。該項目名爲Project Magenta，由道格·艾克(Doug Eck)領導。

　　上周，我在谷歌(gē)大(dà)腦(nǎo)(Google Brain)團隊位于山景城(chéng)的(de)辦公室拜訪了(le)艾克。該辦公室也(yě)是Magenta項目的(de)所在地。艾克非常聰明(míng)，也(yě)很謙遜。他(tā)于2000年在印第安納大(dà)學獲得(de)計算(suàn)機科學博士學位，後來(lái)專注于研究音(yīn)樂(yuè)和(hé)機器學習(xí)技術，一開始是在蒙特利爾大(dà)學(人(rén)工智能的(de)溫床)擔任教授，後來(lái)到谷歌(gē)供職。在谷歌(gē)，他(tā)最初從事Google Music音(yīn)樂(yuè)服務項目，後來(lái)轉到谷歌(gē)大(dà)腦(nǎo)團隊參與Magenta項目。

　　據艾克說，他(tā)打造可(kě)創作藝術的(de)AI工具的(de)雄心最初隻是誇誇其談，“但經過幾輪的(de)反複思考後，我覺得(de)，‘我們當然需要做(zuò)這(zhè)個(gè)，這(zhè)非常重要。’”

　　正如他(tā)和(hé)他(tā)的(de)同事大(dà)衛·哈(David Ha)所寫到的(de)，SketchRNN的(de)意義不僅僅在于學習(xí)如何畫(huà)畫(huà)，而在于“用(yòng)類似于人(rén)類的(de)方式概括歸納抽象的(de)概念。”他(tā)們并不想要打造一台能夠畫(huà)豬的(de)機器。他(tā)們想要打造一台能夠識别和(hé)輸出“豬的(de)特征”的(de)機器，即便機器得(de)到的(de)是諸如卡車的(de)提示性語言，它也(yě)能夠不受影(yǐng)響，作出準确的(de)判斷。

　　隐含的(de)觀點是，當人(rén)的(de)畫(huà)畫(huà)的(de)時(shí)候，他(tā)們會對(duì)這(zhè)個(gè)世界做(zuò)抽象的(de)概念。他(tā)們會去畫(huà)“豬”的(de)廣義概念，而不是畫(huà)特定的(de)動物(wù)。也(yě)就是說，我們的(de)大(dà)腦(nǎo)如何存儲“豬的(de)特征”信息和(hé)我們如何畫(huà)豬之間存在關聯性。學習(xí)如何畫(huà)豬，你可(kě)能就能學到人(rén)腦(nǎo)合成豬的(de)特征的(de)能力。

　　這(zhè)是谷歌(gē)的(de)AI軟件的(de)運作模式。谷歌(gē)開發了(le)一款名爲“Quick, Draw!”的(de)遊戲，在人(rén)們玩該款遊戲時(shí)，它會生成一個(gè)涵蓋人(rén)類各種各樣的(de)繪圖(如豬、雨(yǔ)、救火車、瑜伽動作、花園和(hé)貓頭鷹)的(de)龐大(dà)數據庫。

　　當我們畫(huà)的(de)時(shí)候，我們是将豐富多(duō)彩、熙熙攘攘的(de)世界壓縮成少數的(de)一些線條或者筆畫(huà)。正是這(zhè)些簡單的(de)筆畫(huà)構成了(le)SketchRNN底層的(de)數據集。借助谷歌(gē)開源的(de)TensorFlow軟件庫，每一種繪圖——貓，瑜伽動作，雨(yǔ)——都能夠用(yòng)于訓練一種特定的(de)神經網絡。這(zhè)有别于引起媒體廣泛報道的(de)那種基于照(zhào)片的(de)繪圖系統，比如機器能夠渲染出梵高(gāo)或者原來(lái)的(de)DeepDream風格的(de)照(zhào)片，又或者能夠畫(huà)出任何的(de)形狀，然後給它填充“貓的(de)特征”。

　　這(zhè)些項目都讓人(rén)類覺得(de)很不可(kě)思議(yì)。它們相當有趣，因爲它們所産生的(de)圖像看起來(lái)就像來(lái)自人(rén)類對(duì)現實世界的(de)觀察，盡管不完全像。

　　像人(rén)那樣用(yòng)繪圖表達所看到的(de)東西

　　然而，SketchRNN的(de)輸出作品一點都稱不上不可(kě)思議(yì)。“它們感覺很真實，”艾克說，“我不想說‘很像人(rén)類的(de)作品，’但它們感覺很真實，那些像素生成工具則不然。”

　　這(zhè)是Magenta團隊的(de)核心洞見。“人(rén)類……并不是把世界當成一個(gè)像素網格去理(lǐ)解，而是發展出抽象的(de)概念去表示我們所看到的(de)東西。”艾克和(hé)大(dà)衛·哈在描述其工作的(de)論文中寫道，“我們從小時(shí)候就能夠通(tōng)過用(yòng)鉛筆或者蠟筆在紙上繪畫(huà)來(lái)傳達我們所看到的(de)東西。”

　　如果人(rén)類能夠做(zuò)到這(zhè)一點，那谷歌(gē)會希望機器也(yě)能夠做(zuò)到。去年，谷歌(gē)CEO桑達爾·皮查伊(Sundar Pichai)稱他(tā)的(de)公司“以人(rén)工智能爲先”。對(duì)于谷歌(gē)來(lái)說，AI是其“将全世界的(de)信息組織起來(lái)，使之随處可(kě)得(de)，随處可(kě)用(yòng)”初始使命的(de)一種自然而然的(de)延伸。現在不同的(de)地方在于，信息由人(rén)工智能來(lái)組織，然後使得(de)它們能爲廣大(dà)用(yòng)戶使用(yòng)。Magenta是谷歌(gē)組織和(hé)理(lǐ)解一個(gè)特定的(de)人(rén)類領域的(de)瘋狂嘗試之一。

　　機器學習(xí)是谷歌(gē)所采用(yòng)的(de)各種工具最廣泛的(de)一個(gè)概念。它是通(tōng)過編程讓計算(suàn)機自學如何執行各種不同的(de)任務的(de)一種方式，常見的(de)方式是給計算(suàn)機注入标簽數據來(lái)進行“訓練”。進行機器學習(xí)的(de)一種熱(rè)門方式是，借助以人(rén)腦(nǎo)的(de)連接系統爲原型的(de)神經網絡。不同的(de)節點(人(rén)工神經元)會相互連接，它們有著(zhe)不同的(de)權重，會響應部分(fēn)輸入信息，但不響應其它的(de)輸入信息。

　　近年來(lái)，多(duō)層級神經網絡被證明(míng)在解決棘手的(de)問題上非常成功，尤其是在翻譯和(hé)圖像識别/操縱上。谷歌(gē)在這(zhè)些新架構上重新構建了(le)很多(duō)的(de)核心服務。這(zhè)些神經網絡模拟人(rén)類大(dà)腦(nǎo)的(de)運作過程，其互相連接的(de)層可(kě)識别輸入信息(比如圖像)不同的(de)模式。低級别的(de)層可(kě)能含有響應光(guāng)明(míng)與黑(hēi)暗簡單的(de)像素級模式的(de)神經元。高(gāo)級别的(de)層則可(kě)能會響應狗的(de)臉、汽車或者蝴蝶。

　　構建帶有這(zhè)種架構和(hé)機制的(de)網絡會帶來(lái)不可(kě)思議(yì)的(de)成效。原本極其困難的(de)計算(suàn)難題變成了(le)調整模型的(de)訓練，然後讓一些圖形處理(lǐ)單元運算(suàn)一會的(de)問題。正如吉迪恩·劉易斯-克勞斯(Gideon Lewis-Kraus)在《紐約時(shí)報》所描述的(de)，谷歌(gē)翻譯(Google Translate)曾是一個(gè)開發超過10年的(de)複雜(zá)系統。該公司後來(lái)利用(yòng)深度學習(xí)系統僅僅花了(le)9個(gè)月(yuè)就重新構造了(le)一個(gè)谷歌(gē)翻譯系統。“該AI系統一夜之間就有了(le)巨大(dà)的(de)提升，這(zhè)種提升相當于老系統在整個(gè)生命周期積累的(de)全部提升。”劉易斯-克勞斯寫道。

　　正因爲此，神經網絡的(de)使用(yòng)量和(hé)類型呈現井噴式增長(cháng)。SketchRNN方面，他(tā)們使用(yòng)可(kě)處理(lǐ)輸入序列的(de)遞歸神經網絡。他(tā)們用(yòng)人(rén)們畫(huà)各種不同的(de)東西時(shí)連續畫(huà)下(xià)的(de)筆畫(huà)來(lái)訓練該網絡。

　　用(yòng)最簡單的(de)話(huà)來(lái)說，這(zhè)種訓練就是一個(gè)編碼的(de)過程。數據(繪圖)輸入之後，該網絡會嘗試想出它在處理(lǐ)的(de)東西的(de)一般性規則。那些概括是數據的(de)模型，數據存儲在描述網絡中的(de)神經元的(de)傾向的(de)數學計算(suàn)當中。

　　那個(gè)結構被稱作潛伏空間或者Z(zed)，是豬的(de)特征或者卡車的(de)特征又或者瑜伽動作的(de)特征方面的(de)信息存儲的(de)地方。正如AI行業人(rén)士所說的(de)，叫系統做(zuò)個(gè)樣本，即叫它畫(huà)出它訓練的(de)東西來(lái)，SketchRNN就會畫(huà)出豬或者卡車又或者瑜伽動作。它所畫(huà)的(de)東西，就是它所學到的(de)東西。

　　SketchRNN 能夠學到什(shén)麽？

　　SketchRNN能夠學到什(shén)麽呢(ne)？下(xià)圖是一個(gè)接受過消防車繪畫(huà)訓練的(de)神經網絡所生成的(de)新消防車。在該模型中，有個(gè)名爲“溫度”的(de)變量，它可(kě)讓研究人(rén)員(yuán)上下(xià)調整輸出的(de)随機性。在下(xià)圖中，偏藍色的(de)圖像是“溫度”下(xià)調後的(de)産物(wù)，偏紅色的(de)圖像則是“溫度”上調後的(de)産物(wù)。

　　又或者，你可(kě)能更喜歡貓頭鷹：

　　最好的(de)一個(gè)例子就是瑜伽動作：

　　這(zhè)些畫(huà)看似人(rén)的(de)作品，但它們并不是由人(rén)親自繪畫(huà)的(de)。它們是對(duì)人(rén)類可(kě)能會如何畫(huà)這(zhè)種東西的(de)一種重造。有的(de)畫(huà)畫(huà)得(de)很不錯，有的(de)則畫(huà)得(de)沒那麽好，但如果你是在跟AI玩看圖說詞遊戲，那你應該不難看出它們是什(shén)麽。

　　SketchRNN還(hái)能夠接受以人(rén)工繪圖爲形式的(de)輸入。你傳送某種繪圖，然後它就會嘗試去理(lǐ)解它。如果你給一個(gè)接受過貓數據訓練的(de)模型輸入一張三眼貓繪圖，那會發生什(shén)麽呢(ne)？

　　看到沒？看該模型在右邊的(de)各種輸出圖像(同樣用(yòng)藍色和(hé)紅色來(lái)表示不同的(de)“溫度”)，它剔除了(le)第三隻眼睛!爲什(shén)麽呢(ne)？因爲該模型已經通(tōng)過學習(xí)知道，貓有兩隻三角形的(de)耳朵，臉部左右兩邊都有胡須，臉圓圓的(de)，隻有兩隻眼睛。

　　當然，該模型完全不知道耳朵實際上是什(shén)麽東西，不知道貓的(de)胡須是否會動，甚至不知道臉是什(shén)麽，也(yě)不知道我們的(de)眼睛能夠将圖像傳輸到我們的(de)大(dà)腦(nǎo)。它對(duì)于這(zhè)些繪圖指代的(de)是什(shén)麽一無所知。

　　但它确實知道人(rén)類是如何表示貓、豬、瑜伽動作或者帆船的(de)。

　　“當我們開始生成帆船的(de)繪圖時(shí)，該模型會基于所輸入的(de)那張繪圖得(de)出數百張顯示其它帆船模型的(de)繪圖。”谷歌(gē)的(de)艾克表示，“我們都能看出它們畫(huà)的(de)是什(shén)麽，因爲該模型是利用(yòng)所有的(de)訓練數據得(de)出理(lǐ)想的(de)帆船圖像。它并不是畫(huà)出特定的(de)帆船，而是畫(huà)出帆船的(de)特征。”

　　成爲人(rén)工智能運動的(de)一份子是一件令人(rén)興奮的(de)事情，它是有史以來(lái)最令人(rén)興奮的(de)技術項目之一，至少對(duì)那些參與其中的(de)人(rén)來(lái)說是如此，對(duì)于很多(duō)其他(tā)的(de)人(rén)來(lái)說也(yě)是如此——它甚至能夠擊倒道格·艾克。

　　我是指訓練神經網絡畫(huà)雨(yǔ)天。輸入一副蓬松的(de)雲繪圖，然後就會出現下(xià)面的(de)情況：

　　雨(yǔ)從你給該模型傳送的(de)雲下(xià)下(xià)來(lái)。那是因爲很多(duō)人(rén)畫(huà)雨(yǔ)天的(de)時(shí)候都是先畫(huà)出一朵雲來(lái)，然後再在下(xià)面畫(huà)雨(yǔ)。如果該神經網絡看到雲，那它就會在那個(gè)雲的(de)形狀下(xià)面畫(huà)出雨(yǔ)來(lái)。(有意思的(de)是，那些數據是關于一連串的(de)筆畫(huà)，因此如果你先畫(huà)的(de)是雨(yǔ)，那該模型就不會先畫(huà)雲朵。)

　　這(zhè)可(kě)以說是一項令人(rén)欣喜的(de)工作，但在對(duì)人(rén)類如何思考實施逆向工程的(de)漫長(cháng)項目中，這(zhè)算(suàn)是一項巧妙的(de)附帶項目，還(hái)是很重要的(de)一塊拼圖？

　　艾克認爲繪圖最吸引人(rén)的(de)地方在于，它們用(yòng)如此少的(de)信息來(lái)包含如此多(duō)的(de)意義。“你畫(huà)一張笑(xiào)臉，隻需幾個(gè)筆畫(huà)就能畫(huà)出來(lái)。”他(tā)說道。筆畫(huà)看起來(lái)跟人(rén)臉以像素爲基礎的(de)照(zhào)片完全不一樣。但3歲的(de)小孩也(yě)能夠分(fēn)辨出人(rén)臉，也(yě)能分(fēn)辨它開心與否。艾克認爲這(zhè)是一種信息壓縮，對(duì)于這(zhè)種編碼，SketchRNN會解碼，任何随心所欲地進行重新編碼。

　　SketchRNN 覆蓋範圍有限

　　OpenAI研究者安德烈·卡帕錫(Andrej Karpathy)目前在AI研究成果傳播上扮演著(zhe)重要角色，他(tā)說，“我非常支持SketchRNN項目，它真的(de)很酷。”但他(tā)也(yě)指出，他(tā)們就筆畫(huà)的(de)重要性給他(tā)們的(de)模型引入了(le)很強的(de)假設，這(zhè)意味著(zhe)他(tā)們對(duì)于整個(gè)人(rén)工智能開發事業的(de)貢獻相對(duì)沒那麽大(dà)。

　　“我們開發的(de)生成模型通(tōng)常都會嘗試盡可(kě)能全面地注重數據集的(de)細節，不管你給它們注入什(shén)麽數據，不管是圖像、音(yīn)頻(pín)、文本還(hái)是别的(de)東西，它們都适用(yòng)。”他(tā)說，“除了(le)圖像以外，這(zhè)些數據沒有一樣是由筆畫(huà)組成的(de)。”

　　他(tā)補充道，“對(duì)于人(rén)們作出很強的(de)假設，将它們編碼到模型中，在各自的(de)特定領域取得(de)更令人(rén)印象深刻的(de)成果，我完全能夠接受。”

　　艾克和(hé)大(dà)衛·哈正在打造的(de)東西更接近于玩國際象棋的(de)AI，而不是能夠判斷出任意遊戲的(de)規則，也(yě)能夠玩這(zhè)些遊戲的(de)AI。對(duì)于卡帕錫來(lái)說，兩人(rén)當前項目覆蓋的(de)範圍似乎比較有限。

　　理(lǐ)解人(rén)類的(de)思考方式

　　不過，他(tā)們覺得(de)線條畫(huà)對(duì)于理(lǐ)解人(rén)類的(de)思考方式至關重要，并不是沒有原因的(de)。除了(le)這(zhè)兩位谷歌(gē)人(rén)員(yuán)之外，也(yě)有别的(de)研究者被筆畫(huà)的(de)力量所吸引。2012年，喬治亞理(lǐ)工大(dà)學的(de)詹姆斯·海斯(James Hays)聯手柏林(lín)工業大(dà)學的(de)馬賽厄斯·艾茲(Mathias Eitz)和(hé)馬克·亞曆克莎(Marc Alexa)打造了(le)一個(gè)筆畫(huà)數據集，以及一個(gè)識别筆畫(huà)的(de)機器學習(xí)系統。

　　對(duì)于他(tā)們而言，繪圖是一種“通(tōng)用(yòng)的(de)溝通(tōng)”形式，是某種所有有标準認知功能的(de)人(rén)都能夠做(zuò)和(hé)做(zuò)過的(de)事情。“自史前時(shí)代以來(lái)，人(rén)們都用(yòng)繪圖式的(de)岩石畫(huà)或者洞穴畫(huà)來(lái)描繪視覺世界。”他(tā)們寫道，“這(zhè)種象形文字比語言要早幾千年出現，如今人(rén)人(rén)都會繪畫(huà)和(hé)識别繪圖中的(de)物(wù)體。”

　　他(tā)們提到了(le)多(duō)倫多(duō)大(dà)學神經系統科學家德克·沃爾特(Dirk Walther)在《美(měi)國國家科學院院刊》上發表的(de)論文，該論文說“簡單抽象的(de)繪圖激活我們的(de)大(dà)腦(nǎo)的(de)方式與真實的(de)刺激物(wù)相似。”沃爾特和(hé)該論文的(de)合著者假定，線條畫(huà)“可(kě)捕捉我們自然世界的(de)本質，”盡管逐個(gè)像素來(lái)看，貓的(de)線條畫(huà)看上去一點都不像貓的(de)照(zhào)片。

　　如果說我們大(dà)腦(nǎo)中的(de)神經元是在神經網絡模拟的(de)分(fēn)層結構内運作，那繪圖可(kě)能是掌握存儲我們對(duì)于物(wù)體的(de)簡化(huà)概念(沃爾特所說的(de)“本質”)的(de)層級的(de)一種方式。也(yě)就是說：它們可(kě)能能夠讓我們真正理(lǐ)解我們的(de)祖先很久以前進化(huà)成現代形态的(de)時(shí)候人(rén)類開始采用(yòng)的(de)那種新思考方式。繪圖，不管是在洞穴的(de)牆壁上還(hái)是在紙巾的(de)背面上，或許描繪了(le)從識别馬到識别馬的(de)特征的(de)進化(huà)，從畫(huà)出日常經曆到畫(huà)出抽象的(de)象征性思維的(de)進化(huà)，這(zhè)也(yě)是人(rén)類進化(huà)成現代形态的(de)過程。

　　人(rén)類的(de)現代生活大(dà)多(duō)數都源自那一轉變：語言，金錢，數學計算(suàn)，最後是電腦(nǎo)運算(suàn)本身。因此，如果繪圖最終在意義重大(dà)的(de)人(rén)工智能的(de)打造上扮演重要的(de)角色，那就最好不過了(le)。

　　然而，對(duì)于人(rén)類來(lái)說，繪圖是對(duì)真實物(wù)品的(de)一種描繪。我們能夠輕易理(lǐ)解抽象的(de)四線表示法和(hé)物(wù)品本身之間的(de)關系。該概念對(duì)于我們來(lái)說有某種意義。對(duì)于SketchRNN來(lái)說，繪圖就是一連串的(de)筆畫(huà)，是經過一定的(de)時(shí)間形成的(de)一個(gè)形狀。機器的(de)任務是抓住我們的(de)繪圖所描述的(de)東西的(de)本質，嘗試利用(yòng)它們來(lái)理(lǐ)解這(zhè)個(gè)世界。

　　SketchRNN團隊正在探索多(duō)個(gè)不同的(de)方向。他(tā)們可(kě)能會開發一個(gè)嘗試通(tōng)過人(rén)類反饋提升繪畫(huà)能力的(de)系統。他(tā)們可(kě)能會在一種以上的(de)繪圖上訓練模型。也(yě)許他(tā)們将會找到辦法去判斷他(tā)們受過繪圖中的(de)豬特征識别訓練的(de)模型能否推廣到識别照(zhào)片級圖像中豬的(de)特征。我個(gè)人(rén)很希望看到他(tā)們的(de)模型能夠接入其它在傳統的(de)貓圖上訓練過的(de)模式。

　　SketchRNN 隻是“第一步”

　　但他(tā)們自己也(yě)坦言，SketchRNN隻是“第一步”，要學習(xí)的(de)還(hái)有很多(duō)。這(zhè)些解碼繪圖的(de)機器要參與的(de)人(rén)類藝術曆史相當悠久。

　　在給《紐約客》(The New Yorker)撰寫有關歐洲洞穴壁畫(huà)的(de)文章(zhāng)時(shí)，朱迪思·瑟曼(Judith Thurman)寫道，舊(jiù)石器時(shí)代的(de)藝術在“長(cháng)達2.5萬年的(de)時(shí)間裏幾乎沒有變化(huà)，幾乎沒有任何的(de)創新或者抵制活動。”她指出，那是“有記錄的(de)曆史的(de)四倍長(cháng)”。

　　計算(suàn)機，尤其是新的(de)人(rén)工智能技術，正在動搖長(cháng)久以來(lái)人(rén)類對(duì)于自己擅長(cháng)做(zuò)的(de)事情的(de)觀念。人(rén)類在1990年代在西洋跳棋比賽中輸給機器，之後下(xià)國際象棋也(yě)輸給機器，近年則是在圍棋比賽中輸給AlphaGo。

　　但AI近年之所以取得(de)顯著的(de)進步，并不是因爲藝術發展的(de)速度(盡管它确實發展得(de)很快(kuài))。對(duì)于艾克來(lái)說，它更多(duō)地是因爲他(tā)們奮力去研究人(rén)類思考方式的(de)基本原理(lǐ)，以及我們究竟是誰。“藝術真正核心的(de)部分(fēn)是基本的(de)人(rén)文素養，是我們平常相互溝通(tōng)的(de)方式。”艾克說。

　　縱觀整個(gè)深度學習(xí)運動，各式各樣的(de)人(rén)都是在研究人(rén)類生活的(de)基本機制——我們如何看東西，我們如何移動，我們如何說話(huà)，我們如何識别人(rén)臉，我們如何用(yòng)言語編故事，我們如何奏樂(yuè)——這(zhè)看起來(lái)有點像人(rén)類特征的(de)輪廓，而不是任意特定的(de)人(rén)的(de)輪廓。

　　現在，它分(fēn)辨率低，是真實想法的(de)漫畫(huà)，是真實想法的(de)人(rén)物(wù)線條畫(huà)，但我們應該不難想到要從該繪圖收集信息。