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。
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。
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、动态类型的稳定性等等都完美适配。
在算法工程师们使用之