返回专栏
· 21 分钟阅读

人工智能是如何理解和处理信息的?


人工智能能够理解文本、识别图像、分析语音,甚至根据一段描述生成代码和视频。但从计算机的角度来看,AI 并不是像人类一样直接感知和理解信息。

计算机处理的本质仍然是数字、矩阵、向量和数学运算。所谓的“理解”,是模型通过大量数据训练,学习到信息中的统计规律、结构关系和语义关联,并将这些规律编码到模型参数中。

以大语言模型为例,当用户输入:

请解释一下什么是操作系统。

模型并不是简单地查找某个固定答案,而是需要完成一系列处理:

  1. 将输入文本转换为模型能够处理的 Token。
  2. 将 Token 映射为向量表示。
  3. 通过神经网络提取上下文信息。
  4. 建立词语、概念和上下文之间的关联。
  5. 根据当前上下文计算下一个 Token 的概率分布。
  6. 通过解码策略逐步生成回答。

理解这套机制,是理解大语言模型、计算机视觉、语音识别以及多模态 AI 的基础。

本文从信息表示、特征提取、语义建模、上下文理解和信息生成几个层面,分析人工智能究竟是如何处理信息的。


一、计算机如何表示信息?

在讨论 AI 如何理解信息之前,需要先明确一个基础问题:

计算机本身并不直接处理人类语言、图像和声音,而是处理经过编码的数字信息。

不同类型的信息,需要采用不同的数字表示方式。

1.1 文本信息

人类看到的是文字,例如:

人工智能正在改变软件开发方式。

计算机内部并不是直接存储抽象的文字含义,而是先通过字符编码,将字符转换为数字。

常见的字符编码包括:

  • ASCII:主要用于英文字符及基础符号。
  • Unicode:为全球各种语言和符号分配统一的码点。
  • UTF-8:一种广泛使用的 Unicode 编码实现方式。

例如,字符 A 的 Unicode 码点是 U+0041,UTF-8 编码为字节 0x41。

需要注意:

字符编码解决的是字符如何表示为字节的问题,并没有解决词语的语义问题。

例如:

苹果

计算机可以通过编码知道这两个字符分别是什么,但仅凭字符编码,并不知道它指的是水果、品牌,还是某个软件项目。

1.2 图像信息

数字图像通常可以表示为像素矩阵。

一张宽度为 3、高度为 2 的 RGB 图像,可以抽象为:

I \in \mathbb{R}^{2 \times 3 \times 3}

其中:

  • 2:图像高度。
  • 3:图像宽度。
  • 3:RGB 三个颜色通道。

每个像素包含红色、绿色和蓝色三个数值。

例如:

Pixel=(255,0,0)

表示一个纯红色像素。

真实图像通常具有更大的分辨率。例如,一张 1920 × 1080 的 RGB 图像,包含:

1920 \times 1080 \times 3 =6,220,800

个颜色数值。

计算机视觉模型需要从这些数值中提取边缘、纹理、形状、物体以及更高层次的视觉特征。

1.3 音频信息

数字音频通常通过采样将连续的声音信号转换为离散数值。

假设采样率为 16 kHz,表示每秒采集 16000 个音频样本。

音频信号可以表示为:

x=[x_1,x_2,\ldots,x_n]

其中每个 x_i 表示某一时刻采集到的声音幅度。

除了原始波形,AI 还可能将音频转换为频谱或梅尔频谱等特征表示,以便模型分析声音的频率结构和时间变化。

1.4 不同信息类型的数字表示

信息类型 原始表示 AI 常见处理形式
文本 字符、字节 Token、向量
图像 像素矩阵 图像块、视觉特征向量
音频 离散采样序列 波形、频谱、音频 Token
视频 连续图像帧及音频 帧序列、时空特征
结构化数据 数值、字段、记录 数值特征、类别编码、向量

从这里可以看出,不同类型的信息虽然表现形式不同,但最终都可以转换为模型能够处理的数值结构。

flowchart TB
    A["现实世界的信息"] --> B["数字化与编码"]

    B --> C["文本"]
    B --> D["图像"]
    B --> E["音频"]
    B --> F["视频"]
    B --> G["结构化数据"]

    C --> H["Token 序列"]
    D --> I["像素矩阵或图像块"]
    E --> J["波形或频谱"]
    F --> K["视频帧与音频序列"]
    G --> L["数值与类别特征"]

    H --> M["模型输入表示"]
    I --> M
    J --> M
    K --> M
    L --> M

    style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style B fill:#EAF3EC,stroke:#83A995,color:#315D49
    style C fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style E fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style F fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style G fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style H fill:#EAF3EC,stroke:#83A995,color:#315D49
    style I fill:#EAF3EC,stroke:#83A995,color:#315D49
    style J fill:#EAF3EC,stroke:#83A995,color:#315D49
    style K fill:#EAF3EC,stroke:#83A995,color:#315D49
    style L fill:#EAF3EC,stroke:#83A995,color:#315D49
    style M fill:#DCEFE5,stroke:#4F8B70,color:#24563F

二、AI 如何把信息转换为可理解的表示?

数字化只是第一步。

对于 AI 来说,知道一个字符对应哪个数字,或者一个像素对应什么颜色,并不等于理解它们的含义。

模型需要进一步建立能够反映信息特征和语义关系的内部表示。

这通常涉及三个重要概念:

  • Tokenization:信息切分与编码。
  • Embedding:向量表示。
  • Representation Learning:表示学习。

2.1 Tokenization:将信息切分为 Token

以大语言模型为例,模型通常不会直接将整段文字作为一个不可分割的整体输入,而是先将文本切分为 Token。

Token 可以是:

  • 一个完整单词。
  • 一个词语的一部分。
  • 一个汉字。
  • 标点符号。
  • 特殊控制标记。

例如:

人工智能正在改变世界

某个模型可能将其切分为:

["人工", "智能", "正在", "改变", "世界"]

这只是示意。不同模型使用不同的 Tokenizer,同一段文本的切分结果可能完全不同。

Tokenization 的主要作用是:

  1. 将文本转换为模型词表中的离散符号。
  2. 控制模型输入和输出的基本单位。
  3. 将不同语言和文本形式统一到模型可处理的序列中。

每个 Token 通常对应词表中的一个整数 ID。

例如:

Token Token ID
人工 1024
智能 2048
正在 3056
改变 4096
世界 5120

以上 ID 仅用于说明,不代表真实模型的词表。

经过 Tokenization 后,文本可以表示为:

X=[1024,2048,3056,4096,5120]

这里需要区分三个概念:

概念 含义
字符 人类语言中的基本书写单位
Token 模型处理的离散符号单位
Token ID Token 在词表中的整数索引

Token 不等于词语,也不等于字符。

中文、英文、代码和特殊符号在不同 Tokenizer 中可能有不同的切分方式。

2.2 Embedding:将 Token 转换为向量

Token ID 只是一个整数索引。

模型不能简单地根据整数大小理解 Token 之间的语义关系。

例如,Token ID 为 100 的词语,并不意味着它比 Token ID 为 200 的词语更重要,也不意味着二者之间存在某种语义距离。

因此,模型需要通过 Embedding 将离散的 Token ID 映射为连续向量。

假设模型的向量维度为 4:

E(1024)=[0.12,0.35,-0.21,0.48]
E(2048)=[0.18,0.29,-0.16,0.52]

实际大语言模型的隐藏维度通常远大于 4。

Embedding 可以理解为一个向量查找过程。

设:

  • 词表大小为 V。
  • Embedding 维度为 d。
  • Embedding 矩阵为 W_E。

则:

W_E\in\mathbb{R}^{V\times d}

对于 Token ID i,其向量表示为:

e_i=W_E[i]

也就是从 Embedding 矩阵中取出对应的一行。

经过这一步,离散的 Token 就转换成了连续向量。

2.3 为什么要使用向量?

向量能够在连续数学空间中表达特征和关系。

例如:

猫
狗
汽车

经过训练后,模型可能学习到:

  • 猫和狗在某些语义特征上比较接近。
  • 猫和汽车在这些语义特征上可能相距较远。
  • 猫与动物、宠物、哺乳动物等概念存在统计关联。

向量之间的相似程度可以通过余弦相似度等方式计算:

\operatorname{cos}(A,B)= \frac{A\cdot B}{\|A\|\|B\|}

其中:

  • A、B:两个向量。
  • A\cdot B:向量点积。
  • \|A\|、\|B\|:向量的模长。

余弦相似度越接近 1,说明两个向量的方向越接近。

但需要注意:

Embedding 向量并不是天然包含人类定义的语义标签,而是模型在训练过程中学习到的数值表示。

向量空间中的关系是由训练目标、数据分布、模型结构和参数共同塑造的。

2.4 Representation Learning:表示学习

表示学习是机器学习中的重要概念。

它指的是模型从数据中自动学习有用特征表示,而不是完全依赖人工设计特征。

传统机器学习中,开发人员可能需要手动提取特征。

例如,判断一封邮件是否为垃圾邮件,可能使用:

  • 是否包含特定关键词。
  • 是否存在大量链接。
  • 发件人是否可疑。
  • 邮件标题是否包含营销词汇。

深度学习则可以通过训练,让神经网络自动学习多层特征表示。

flowchart TB
    A["原始数据"] --> B["初始特征表示"]
    B --> C["低层特征提取"]
    C --> D["中层特征组合"]
    D --> E["高层特征表示"]
    E --> F["任务相关信息"]

    style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style B fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style C fill:#EAF3EC,stroke:#83A995,color:#315D49
    style D fill:#EAF3EC,stroke:#83A995,color:#315D49
    style E fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style F fill:#F7F4E8,stroke:#C7B77A,color:#675A2D

以图像识别为例:

  • 低层特征:边缘、颜色、纹理。
  • 中层特征:局部形状、部件结构。
  • 高层特征:物体类别、场景关系。

以自然语言处理为例:

  • 低层特征:词语、字符和局部模式。
  • 中层特征:短语、句法关系。
  • 高层特征:上下文语义、任务相关信息。

这并不是说模型内部一定存在与人类语言概念一一对应的层级结构,而是用于理解深度神经网络逐层提取和组合信息的基本思想。


三、AI 如何理解上下文和语义关系?

如果模型只把每个 Token 映射为一个固定向量,那么它仍然难以理解复杂语言。

因为同一个词语,在不同上下文中可能具有不同含义。

例如:

苹果很好吃。
苹果发布了新款手机。

两句话中的“苹果”指向的概念并不相同。

模型需要结合上下文,动态调整对 Token 的表示。

这正是现代大语言模型的重要能力之一。

3.1 上下文信息为什么重要?

自然语言具有明显的上下文依赖性。

一个词语的含义,通常受到以下因素影响:

  • 前后词语。
  • 所在句子。
  • 当前段落。
  • 对话历史。
  • 当前任务。
  • 领域知识。

例如:

Java 是一种编程语言。
我今天喝了一杯 Java。

第二句话中的 Java 可能涉及咖啡相关语境,而不是编程语言。

如果模型只根据单个词语进行判断,很容易产生歧义。

因此,AI 需要综合多个 Token 的信息,建立上下文相关的表示。

3.2 Attention:注意力机制

Attention 是现代 Transformer 架构中的核心机制之一。

它使模型能够根据当前处理位置的需要,动态关注序列中的其他位置。

例如:

小明把书放在桌子上,因为它很重。

模型需要结合上下文,判断“它”更可能指代什么。

注意力机制可以帮助模型建立不同 Token 之间的关联。

其核心思想是:

根据 Query 与 Key 的相关程度,计算不同 Value 的加权组合。

在 Transformer 中,输入向量会通过三个可学习的线性变换生成:

  • Query(Q):当前 Token 希望寻找什么信息。
  • Key(K):当前 Token 提供什么匹配特征。
  • Value(V):当前 Token 实际提供的信息内容。

计算过程:

Q=XW_Q
K=XW_K
V=XW_V

其中:

  • X:输入向量矩阵。
  • W_Q、W_K、W_V:模型训练得到的参数矩阵。

注意力权重通过以下公式计算:

Attention(Q,K,V)= softmax\left( \frac{QK^T}{\sqrt{d_k}} \right)V

其中:

  • QK^T:计算 Query 与 Key 之间的相关性。
  • d_k:Key 向量的维度。
  • \sqrt{d_k}:缩放因子。
  • softmax:将相关性分数转换为归一化权重。
  • V:参与加权求和的信息。

最终结果是根据注意力权重,对多个 Value 进行加权组合。

3.3 注意力机制的计算过程

flowchart TB
    A["输入向量 X"] --> B["线性变换"]
    B --> C["生成 Query"]
    B --> D["生成 Key"]
    B --> E["生成 Value"]

    C --> F["计算 Q 与 K 的相关性"]
    D --> F
    F --> G["缩放处理"]
    G --> H["Softmax 归一化"]
    H --> I["得到注意力权重"]
    I --> J["对 Value 加权求和"]
    E --> J
    J --> K["输出上下文相关表示"]

    style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style B fill:#EAF3EC,stroke:#83A995,color:#315D49
    style C fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style E fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style F fill:#EAF3EC,stroke:#83A995,color:#315D49
    style G fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style H fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style I fill:#EAF3EC,stroke:#83A995,color:#315D49
    style J fill:#EAF3EC,stroke:#83A995,color:#315D49
    style K fill:#DCEFE5,stroke:#4F8B70,color:#24563F

3.4 Self-Attention:自注意力机制

Self-Attention 是指 Query、Key、Value 都来自同一组输入序列。

例如:

人工智能正在改变软件开发方式。

序列中的每个 Token 都可以根据注意力权重,聚合其他 Token 的信息。

这意味着:

  • “人工”可以关注“智能”。
  • “改变”可以关注“软件开发”。
  • “方式”可以关注整个句子的上下文。

实际模型中的注意力关系由数据和参数共同决定,并不是简单地为每个词语指定固定的关联对象。

3.5 Multi-Head Attention:多头注意力

单个注意力头只能通过一组投影矩阵计算注意力关系。

Multi-Head Attention 则使用多个注意力头,让模型在不同的表示子空间中学习信息关联。

其基本形式为:

head_i=Attention(Q_i,K_i,V_i)
MultiHead(Q,K,V)= Concat(head_1,\ldots,head_h)W_O

其中:

  • h:注意力头数量。
  • Concat:将多个注意力头的结果拼接。
  • W_O:输出投影矩阵。

多个注意力头能够提供不同的信息组合方式,但不能简单理解为每个头都对应一种明确的人类语义关系。

3.6 位置编码:模型如何知道信息顺序?

Attention 本身并不天然理解序列顺序。

例如:

猫追狗。
狗追猫。

如果不提供位置信息,模型难以仅通过无序的 Token 集合区分这两句话。

因此,Transformer 需要引入位置信息。

常见方法包括:

  • 绝对位置编码。
  • 相对位置编码。
  • RoPE(Rotary Position Embedding,旋转位置编码)。
  • ALiBi(Attention with Linear Biases)。

以 RoPE 为例,它通过对 Query 和 Key 的部分维度施加与位置有关的旋转变换,使注意力计算能够体现相对位置信息。

位置编码解决的是序列顺序如何进入模型计算的问题。

需要注意,位置编码不是语义理解本身,而是模型理解序列结构的重要基础。


四、AI 如何从信息中学习知识?

前面介绍了信息如何转换为向量,以及模型如何建立上下文关系。

但模型为什么能够理解没有见过的句子,甚至回答训练数据中没有直接出现过的问题?

关键在于训练。

模型通过大量数据和优化算法,不断调整内部参数,使其逐渐学会数据中的统计规律和结构关系。

4.1 神经网络的基本结构

一个深度神经网络通常包含:

  • 输入层:接收输入信息。
  • 隐藏层:提取和组合特征。
  • 输出层:产生预测结果。

以一个简单的神经网络为例:

h=f(Wx+b)

其中:

  • x:输入向量。
  • W:权重矩阵。
  • b:偏置项。
  • f:激活函数。
  • h:输出特征。

模型通常由大量这样的计算单元和参数构成。

通过多层网络的组合,模型能够学习复杂的非线性映射关系。

4.2 模型训练的基本过程

模型训练的核心目标是调整参数,使模型输出尽可能符合训练目标。

典型训练过程包括:

  1. 输入训练数据。
  2. 前向传播,计算模型输出。
  3. 根据真实目标计算损失。
  4. 反向传播,计算参数梯度。
  5. 优化器根据梯度更新参数。
  6. 重复训练过程。
flowchart TB
    A["准备训练数据"] --> B["输入模型"]
    B --> C["前向传播"]
    C --> D["计算模型输出"]
    D --> E["计算损失函数"]
    E --> F["反向传播"]
    F --> G["计算参数梯度"]
    G --> H["优化器更新参数"]
    H --> I{"是否继续训练"}
    I -->|"是"| B
    I -->|"否"| J["得到训练后的模型"]

    style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style B fill:#EAF3EC,stroke:#83A995,color:#315D49
    style C fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style E fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style F fill:#EAF3EC,stroke:#83A995,color:#315D49
    style G fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style H fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style I fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style J fill:#DCEFE5,stroke:#4F8B70,color:#24563F

4.3 损失函数:如何衡量模型预测得好不好?

损失函数用于衡量模型预测结果与训练目标之间的差异。

例如,语言模型训练时,通常需要预测下一个 Token。

假设真实的下一个 Token 是:

操作系统

模型可能输出:

候选 Token 模型预测概率
操作系统 0.70
数据库 0.15
编译器 0.10
其他 0.05

如果真实 Token 的概率越高,通常意味着模型对当前训练目标的预测越好。

交叉熵损失可以表示为:

L=-\sum_{i=1}^{V}y_i\log(p_i)

其中:

  • V:词表大小。
  • y_i:真实标签分布。
  • p_i:模型预测概率。

当真实标签采用 One-Hot 编码时,损失可以简化为:

L=-\log(p_{\text{true}})

模型需要通过训练,尽可能提高真实 Token 的预测概率。

4.4 反向传播:模型如何调整参数?

模型产生预测结果后,需要知道哪些参数导致了当前误差。

反向传播通过链式法则计算损失函数对各个参数的梯度:

\frac{\partial L}{\partial \theta}

其中:

  • L:损失函数。
  • \theta:模型参数。

随后,优化器根据梯度更新参数。

以最基础的梯度下降为例:

\theta_{t+1}= \theta_t-\eta\nabla_\theta L

其中:

  • \theta_t:当前参数。
  • \eta:学习率。
  • \nabla_\theta L:损失函数对参数的梯度。

通过反复迭代,模型逐渐学习训练数据中的规律。

4.5 大语言模型为什么能够学习语言规律?

以自回归语言模型为例,其核心训练目标通常是根据前面的 Token 预测下一个 Token。

对于序列:

人工智能正在改变世界

模型可能学习以下预测任务:

输入:人工
预测:智能

输入:人工智能
预测:正在

输入:人工智能正在
预测:改变

输入:人工智能正在改变
预测:世界

实际训练时通常会通过并行化计算同时处理多个预测位置,而不是必须逐个 Token 串行完成训练。

自回归语言模型的典型目标函数为:

L(\theta)= -\sum_{t=1}^{T} \log P_\theta(x_t|x_{<t})

其中:

  • x_t:当前位置的 Token。
  • x_{<t}:当前位置之前的 Token。
  • P_\theta:由模型参数决定的条件概率分布。

模型通过大量文本学习词语搭配、语法结构、上下文关联、知识表达方式和推理相关模式。

需要特别强调:

预测下一个 Token 是训练目标,并不意味着模型只会机械地预测文字。

为了提高预测能力,模型需要学习能够支持预测的多层次内部表示。这些表示可能包含语义、语法、知识关联和任务结构等信息。

不过,这种学习结果并不等于人类意义上的意识或主观理解。


五、AI 如何处理一条用户输入?

理解了信息表示、注意力机制和模型训练之后,可以把这些知识结合起来,看一条用户输入在大语言模型中的完整处理过程。

假设用户输入:

请解释一下 Python 中的装饰器。

5.1 输入预处理

系统接收用户输入,并根据模型接口和任务要求进行必要的处理。

可能涉及:

  • 文本规范化。
  • 消息结构解析。
  • Tokenization。
  • 特殊 Token 添加。
  • 输入长度检查。

对于对话模型,输入通常不只是用户当前的一句话,还可能包含系统指令、历史消息、工具结果等上下文信息。

5.2 Tokenization

文本被转换为 Token 序列。

例如:

["请", "解释", "一下", "Python", "中", "的", "装饰器"]

实际切分结果取决于模型的 Tokenizer。

随后,Token 被映射为整数 ID。

5.3 Embedding 与位置处理

模型将 Token ID 转换为向量表示,并引入位置相关信息。

此时,模型输入不再只是离散的整数序列,而是一个包含多个向量的矩阵。

可以抽象表示为:

X\in\mathbb{R}^{T\times d}

其中:

  • T:输入序列长度。
  • d:模型隐藏维度。

5.4 Transformer 网络处理

向量序列进入 Transformer 网络。

典型 Transformer Block 通常包含:

  • 多头自注意力机制。
  • 前馈神经网络(FFN)。
  • 残差连接。
  • Layer Normalization 或其他归一化结构。

不同模型在归一化方式、注意力实现、激活函数和网络结构上可能有所差异。

一个简化的 Transformer Block 可以表示为:

H'=Norm(H+Attention(H))
H_{out}=Norm(H'+FFN(H'))

这里的公式是结构示意,实际实现还可能涉及位置编码、注意力掩码、门控机制等细节。

5.5 输出层与概率计算

经过多层网络处理后,模型会得到当前预测位置的隐藏状态。

随后通过输出投影层,将隐藏状态映射到词表维度:

z=hW_U+b_U

其中:

  • h:最终隐藏状态。
  • W_U:输出投影矩阵。
  • b_U:偏置项。
  • z:Logits,即未归一化的分数。

再通过 Softmax 转换为概率分布:

P(x_i)= \frac{e^{z_i}}{\sum_j e^{z_j}}

模型由此得到下一个 Token 的概率分布。

5.6 解码与文本生成

模型根据解码策略,从概率分布中选择下一个 Token。

常见策略包括:

  • Greedy Decoding:选择概率最高的 Token。
  • Temperature:调整概率分布的尖锐程度。
  • Top-K:只在概率最高的 K 个候选中采样。
  • Top-P:从累计概率达到指定阈值的候选集合中采样。

生成一个 Token 后,模型将它加入上下文,再继续预测下一个 Token。

这个过程持续进行,直到达到停止条件。

flowchart TB
    A["用户输入"] --> B["输入预处理"]
    B --> C["Tokenization"]
    C --> D["Token ID 序列"]
    D --> E["Embedding 与位置处理"]
    E --> F["Transformer 网络"]

    F --> G["输出隐藏状态"]
    G --> H["输出投影层"]
    H --> I["Logits"]
    I --> J["Softmax 概率分布"]
    J --> K["解码与 Token 选择"]
    K --> L{"是否结束生成"}

    L -->|"否"| M["将新 Token 加入上下文"]
    M --> F
    L -->|"是"| N["生成最终文本"]

    style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style B fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style C fill:#EAF3EC,stroke:#83A995,color:#315D49
    style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style E fill:#EAF3EC,stroke:#83A995,color:#315D49
    style F fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style G fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style H fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style I fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style J fill:#EAF3EC,stroke:#83A995,color:#315D49
    style K fill:#EAF3EC,stroke:#83A995,color:#315D49
    style L fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style M fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
    style N fill:#DCEFE5,stroke:#4F8B70,color:#24563F