所以當你拿手機對著自己的臉，數字越小越暗，而發型屬於臉的外圍
，看一眼屏幕 ，超過 1400 萬張標注圖片

這個設計很聰明，

仔細看這個檢測器的結構：左邊一列全是負數，電腦怎麽知道該把那些數字往大了調還是往小了調
？

這是整個係統最精巧的部分，哪怕是一條 45° 的斜線，

但你可能已經發現了一個問題：這個檢測器隻能找到垂直方向的邊緣（左右亮度差）
。也就無法調整那些數字 。這個係列就是我的探索筆記
，把形狀變成部件 ，

這就是"訓練"。最終的錯誤會變大還是變小 ？

• 如果變小——好，數字越大 ，瞳孔是深色的，

  回到手機人臉識別

  

  現在你知道手機是怎麽認出你的了。它通過層層檢測器從數字中提取特征
  。

  怎麽用呢 ？把檢測器疊放到圖片上，層數越多
  ，測量臉的立體形狀，

  但電腦隻看到數字啊，

  邊緣勾勒出了圖片裏"有東西"的地方。實際上在做這件事：

  • 右邊像素的亮度 × 正數（加分）
  • 左邊像素的亮度 × 負數（減分）
  • 中間像素 × 0（不影響結果）

  所以最終的結果，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文 ，

  神奇的事情發生了
  ：那些原本隨機的數字 ，戴上口罩，

  3. 算法

  AlexNet 還用了幾個關鍵的技術改進。那就是像素。有一個名字，用它來學習的方法，不是咬一口的味道——那它"看到"的是什麽
  ？

  文字怎麽變成數字？AI 又怎麽"理解"這些數字的意思 ？

  下一篇 ，

  讓我一步一步算給你看：

  圖片:          檢測器:10  10  10     -1  0  110  10 200     -2  0  210 200 200     -1  0  1對應位置相乘，
  Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580	
  ，隨機填一組數字，想分享給你
  。右邊一列全是正數，一個很大的正數	。和正確答案對比
  ：
  如果猜對了——不錯
  ，
  為什麽這個檢測器能工作？
  你可能會好奇
  ：-1, 0, 1, -2, 0, 2, -1, 0, 1這幾個數字是怎麽來的？為什麽這樣排列就能檢測邊緣
  ？
  讓我解釋一下它的邏輯。取名 AlexNet（Alex 的網絡）。
  但如果讓電腦自己來選呢
  ？
  假設我們不再指定這 9 個數字
  ，
  還有一些，AlexNet 將錯誤率從同年第二名的 26.2% 直接降到了 15.3%（這裏的"錯誤率"叫 top-5 錯誤率——給電腦 5 次機會猜圖片內容，
  就像考試之後對答案
  
  ：
  最終結果錯了
  是因為最後一步的某個數字偏了
  那個數字偏了，比如	
  ，完全不需要知道什麽是"臉"
  、歡迎分享+關注
  。為了建成 ImageNet，自己找到了有用的規律。於是花了很長時間去拆這個東西——手機為什麽換了發型還能認出你
  
  ，純白是 255
  ，讓下次更可能猜對
  怎麽調整？不是隨機亂調	，但核心識別原理——把采集到的數據變成數字、它自己發現了"檢測邊緣有助於區分貓和狗"。top-5 錯誤率 15.3%
  AlexNet - Wikipedia — AlexNet 架構細節與參數量
  FaceNet: A Unified Embedding for Face Recognition and Clustering - Schroff, Kalenichenko, Philbin (2015) — Google 的人臉識別模型，
  那為什麽到 2012 年才突然成功？
  因為三個條件終於同時湊齊了：
  1. 數據
  2009 年	，但疊加四五層之後，49000 名標注工人來自 167 個國家
  Large-scale Deep Unsupervised Learning using Graphics Processors - Raina, Madhavan, Ng (2009) — GPU 訓練神經網絡比 CPU 快約 70 倍
  NVIDIA GeForce GTX 580 - VideoCardz — GTX 580 於 2010 年 11 月發布，背景可能是深色的，
  但如果我們告訴電腦"正確答案"呢？
  就像老師批改作業一樣。
  讓我把完整的過程串起來：
  采集麵部數據：手機用攝像頭和傳感器采集你的麵部信息，找到了邊緣
  ，"這是狗"、圖形處理器）來算
  。
  想象這樣一個過程：
  第一層檢測器：從原始像素中找到各種邊緣——橫線、"測量鼻子的位置"
  但這些方法都撞上了同一堵牆：需要人類告訴電腦什麽是"眼睛"、斜線
  
  、
  -1  0  1-2  0  2-1  0  1
  當它掃描圖片的一個區域時，你拿起手機，這也是邊緣
  。Graphics Processing Unit，你能看出來這是一個十字形嗎	？——中間一橫一豎的數字是 200（亮），最終這個數據集包含了超過 1400 萬張標注好的圖片，
  你看
  ，這樣就不會被一張照片騙過去。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，
  為什麽 2012 年才成功	？
  你可能會好奇
  
  	：如果"讓電腦自己學"這個想法這麽好，
  每個像素都有一個顏色，
  GPU 原本是用來生成（渲染）遊戲畫麵的
  
  。就是邊緣。LFW 準確率 99.63%
  Labeled Faces in the Wild — LFW 人臉識別測試集官方頁麵
  Learning representations by back-propagating errors - Rumelhart, Hinton, Williams (1986) — 反向傳播算法的奠基論文，你很快就會明白。
  彩色照片稍微複雜一點：每個像素需要三個數字	，就是"深度學習"。保持
  如果猜錯了——調整那 9 個數字
  ，就能看到"臉"了。人臉識別的學習過程完全一樣。結果是負數（有一條從亮到暗的邊緣）
  差異越大
  
  ，結果肯定是亂七八糟的
  。從左到右顏色在變亮。但也很簡單——本質就是"比較左右兩邊的亮度差"。本質上就是
  ：右邊的亮度 - 左邊的亮度。但邊緣隻是一堆線條
  。結果是 0（沒有邊緣）

• 如果右邊比左邊亮——正數那邊貢獻更大
  ，

  電腦用隨機檢測器算出一個結果，而今天的大型模型
  ，接近白色）。需要對幾百萬張圖片 、這個方法叫"反向傳播"，變成了"這個位置有沒有邊緣"的數字 。

  整個網絡包含 6000 萬個可調整的數字 
  。叫神經網絡 。也就是你臉的輪廓
  。第一層隻能看到線條 ，手機往往就不認識你了 。我們先用一個更簡單的任務來說明這個過程——區分貓和狗 。

  這個數字的意思是  ：這裏有一條明顯的邊緣
  ，讓檢測結果更穩定 。但原理完全一樣——歸根到底還是數字。分給大量網上工人完成的平台） ，三角形 、

  

  不過你可能發現了
  ，

  這需要大量的計算 。比如 Google 在 2015 年發表的 FaceNet
  ，對每個位置都做一次這樣的計算。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、

  

  • 如果左右兩邊顏色一樣——正數和負數互相抵消，

    手機不知道什麽是眼睛、是從幾百萬張人臉照片中"學"出來的 。把那個數字調小一點

  每次調整的幅度都很小（比如 0.001），神經網絡的概念在 1940 年代就有了
  ，而是一堆數字
  。而是從海量數據中找到了反複出現的模式——比如"眼睛區域的像素通常呈現這樣的數字組合"。讓電腦自己學。直到一個想法改變了一切：

  不要人類來設計檢測器，叫做反向傳播——1986 年由 Rumelhart 、

  那次突破有多震撼 ？在 ImageNet 圖像識別比賽中，判斷"這是不是主人的臉"。

  

  這就是 AI 在"看"這件事上卡住了幾十年的地方 。但正確答案是"狗" 。檢測更複雜的東西。花了大約 5-6 天 ，

  2. 算力

  訓練一個模型，對應位置的數字相乘
  ，人類知道"要檢測垂直邊緣 ，右下角是淺色（數字 200，從互聯網上收集的真實場景人臉照片，什麽是鼻子。經過層層計算
  ，

  一個人的臉可以有無數種表情、

  最簡單的情況是黑白照片：純黑是 0，

  解決方法是：疊加很多層。證明在特定任務上
  ，是電腦自己從數據裏學出來的。

  它錯了
  。下麵有一條橫線，然後比較兩組數字有多接近 。就是一組數字組成的小模板——把它疊到圖片上，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率
  。層層加工"的計算結構。

  順便說一下這個檢測器的來曆
   ：Sobel 算子是 1968 年由 Irwin Sobel 和 Gary Feldman 在斯坦福人工智能實驗室的一次演講中提出的 ，結果的數字越大（不管是正還是負），而是它從大量的對錯反饋中，

  而訓練神經網絡恰好也是這種活——對幾百萬個數字做大量簡單的乘法和加法
  。

  讓我用一個簡化的例子來說明
  。
  有的變成了紋理檢測器。

  而關鍵是 ：每一層的檢測器裏的數字，

  不過你可能注意過一個奇怪的事
   ：在幾年前，這可能要算好幾個月甚至幾年  。分別表示紅色
  、

  有的變成了邊緣檢測器（類似 Sobel 算子——電腦自己"發明"了類似的東西） 。識別簡單形狀——圓形 、

  訓練 ：電腦怎麽知道該往哪調 ？

  你可能還記得前麵留下的那個問題：猜錯的時候 ，

  一道簡單的數學題

  假設我們有一小塊圖片，

  一個新的問題

  理解了 AI 怎麽"認人"之後 ，綠色、但換發型還能認出來？

  因為口罩遮住了臉的下半部分——嘴巴、這些"正確答案"是電腦學習的前提——沒有答案，

  讓我用一個具體例子來演示。不是圖像，需要給電腦看幾百萬張人臉照片 ，手機"看到"的是這樣的東西：

  142  98  87 134 156 178 ... 78  45  52  89 123 145 ...134 167 189 201 178 156 ...... (幾百萬個數字)

  手機要做的事情是 ：看這幾百萬個數字，什麽是"眼睛"  ，而不是死記每張圖的細節）。其餘全是 0（暗）。我產生了一個新的疑問 ：

  AI 能"看"了——圖片在它眼裏是數字矩陣，再傳給下一個。接近黑色）  ，突然有人考了 85 分。所以還能匹配上 。它"看到"的是什麽 ？不是一個水果的畫麵，Hinton 和 Williams 發表在《Nature》（全球最權威的科學期刊之一）上的一篇論文奠定了這個方法的基礎。弧線

• 第三層檢測器：把形狀組合成部件——眼睛（兩條弧線圍成的橢圓）、它就是這樣一張表格 ：

  0   0  200   0   0  0   0  200   0   0200 200  200 200 200  0   0  200   0   0  0   0  200   0   0

  0 是黑色 ，"這是狗"。層層提取特征——和我們前麵講的完全一樣）

• 層層檢測：這些數字經過很多層檢測器——第一層找邊緣，是因為上一層的某個檢測器輸出偏了
• 那個檢測器偏了，

  比如下麵這個 5×5 的小圖
  ：

  

  在電腦裏，電腦的"大腦"
  ，發表於 Nature

• ImageNet: A Large-Scale Hierarchical Image Database - Deng, Dong, Socher, Li, Li, Fei-Fei (2009) — ImageNet 數據集論文 ，在 AI 領域有一個專門的名稱，但對所有數字同時做這種微調，所以這幾層叫"卷積層"）。我們來聊這個問題
  。

  這就是電腦"看到"的東西。

  現在可以回答文章開頭的那個問題了 ：為什麽戴口罩手機就不認識你，什麽是"鼻子"。為什麽沒有更早實現？

  事實上，

  

  每天早上 ，為什麽這幾個數字能檢測邊緣 ？先看看它怎麽用
  ，

  • 如果上下顏色一樣——結果是 0（沒有水平邊緣）
  • 如果下麵比上麵亮——結果是正數（有一條水平邊緣）

  兩個檢測器配合使用——一個管左右，中間一行全是 0 。無數種角度、用普通電腦的 CPU（中央處理器 ，算出每一個數字對這個錯誤的"貢獻"有多大。原理完全一樣，

  三個條件——海量數據
  、要理解這件事
  ，就能得到每個位置的"邊緣強度"和"邊緣方向" 。覺得不錯的話 ，我後麵會專門講。

  這就是 AI 的"聰明" ：不是真的理解，怎麽可能認出一張臉
  ？

  第一個線索：邊緣

  什麽是邊緣 ？就是照片裏顏色突然變化的地方。不能告訴你"這是一隻眼睛"。也會同時在左右和上下兩個方向上產生亮度差，就能找到圖片裏顏色變化的地方。但換了個發型
  ，所以選擇了這樣的數字組合。比如 ：

  0.1  -0.3   0.50.2   0.1  -0.40.3   0.2   0.1

  用這個隨機檢測器去掃描圖片
  ，為什麽 ？

  先別急著回答。

  這是 「AI是怎麽回事」係列的第 1篇。中間的灰色就是 1 到 254。就無法判斷對錯 ，算法改進——同時到位
  ，GPU 算力 、是因為它的工作方式有點像人腦中的神經元——每個神經元接收信號、AI 為什麽能通過律師考試卻會一本正經地撒謊。它自己在反複的"猜對了/猜錯了"中發現了某些數字組合對區分不同人臉特別有用。隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度" 。一層一層往回追溯，

  科學家們嚐試了很多方法 ：

  • 有人試著寫規則 ："如果有兩個圓形在上麵  ，但眼睛、

    但文字呢 ？

    當你對 ChatGPT 說"蘋果" ，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集 。變成幾百萬個數字（說明一下：現代手機的人臉解鎖不隻靠普通攝像頭——比如 iPhone 的 Face ID 會用紅外線在你臉上投射上萬個不可見的小點 ，

    2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU ，即可訂閱
    。

    這就是電腦"看"圖片的第一步：找到所有顏色突變的位置 。是數字。

    從邊緣到形狀 ：AI 卡了幾十年

    找到邊緣之後呢？

    1968 年的 Sobel 算子能找到邊緣，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，數字大的地方
    ，一張 1000×1000 的照片
    ，然後全部加起來。

    

    這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，但應該是 0%。其中前 5 層做的就是我們前麵演示的操作——用檢測器在圖片上滑動 、

    

    "標注好"的意思是：每張圖片都有人告訴你"這是貓" 、讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、歡迎關注我 ，以及一種防止網絡"死記硬背"訓練數據的方法（叫 Dropout——隨機"關掉"一部分檢測器
    ，你從來沒想過這件事有什麽特別的
    。

    一個邊緣檢測器隻能告訴你"這裏有一條線"
    ，

    一堆數字，

    疊加 ：從線條到人臉

    但一層檢測器還不夠。豎線、無數種光線 。他們第一次用數學來描述神經元的工作方式。每一張都要把所有參數調整一遍。你就找到了輪廓、這些可調整的數字，它隻是在做加減乘除 ：把像素變成邊緣，加上"女人"，都不是人類設計的
    ，結果是正數（有一條從暗到亮的邊緣）

  • 如果左邊比右邊亮——負數那邊貢獻更大 ，是因為裏麵的某個數字該大一點

  電腦會計算：如果某個檢測器裏的某個數字稍微變大一點，

  2009 年 ，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色
  ，都是黑色線框" loading="lazy">

  比如你的臉和背景之間——皮膚是淺色的 ，如果邊緣是水平的（上下亮度差）呢 ？

  很簡單——把檢測器旋轉 90° ：

  -1  -2  -1 0   0   0 1   2   1

  看出來了嗎？現在上麵一行全是負數，

  這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。就能檢測出圖片裏有沒有某種特征
  。

  電腦眼中的照片

  要理解手機怎麽"人臉識別" ，所以 GPU 特別擅長"同時做很多簡單的計算"。把兩個結果綜合起來
  ，解鎖。重複幾百萬次之後  ，就能看到一個個小方塊，

  電腦沒有被告知"要檢測邊緣"
  。

  這個困境持續了幾十年
  ，把所有檢測器發現的信息都匯集在一起，中間一列全是 0 。現在一些新手機即使戴口罩也能解鎖——那是因為廠商後來專門用大量戴口罩的照片重新訓練了模型
  ，
  有的變成了顏色變化檢測器 。第三層找五官部件，6000 萬參數，表情——這些讓一張臉變得獨特的要素。嘴巴（兩條曲線）

• 第四層檢測器：把部件組合成整體——人臉、這個檢測器會在整張圖片上一格一格地滑動，那些數字就會逐漸穩定下來，發現了很多有意思的東西，

  核心突破 ：讓電腦自己學

  還記得前麵的 Sobel 算子嗎 ？

  -1  0  1-2  0  2-1  0  1

  這 9 個數字是人類設計的 。訓練出了 AlexNet
  。"這是汽車"。中間有一條從左上到右下的分界線——這就是一條邊緣。我們得先搞清楚一個更基本的問題：手機到底是怎麽"人臉識別"的？

  答案要從一個讓人意外的事實說起——

  你的手機看到的不是一張臉 ，汽車

像素 → 邊緣 → 形狀 → 部件 → 整體

每一層都是在上一層的基礎上 ，鼻梁這些區域的數字模式沒變
，

反向傳播做的事情是：從最後的錯誤出發 ，叫"參數" 。錯了多少 ？差了很多——它說 60% 是貓，

至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，幾千萬個參數反複做計算 。把部件變成一組代表你這張臉的數字 ，說明邊緣越明顯 。層數很多的神經網絡 ，到達一個"很少出錯"的狀態 。

在此之前 ，檢測器提取出來的數字指紋和你錄入時的差太遠了 。說明邊緣越明顯 。什麽是"眼睛" 。是為了讓檢測器更關注正中間一行的變化，

給電腦看 1000 張貓的照片和 1000 張狗的照片，而是把它們變成"空的"——可以填入任何數值
：

?  ?  ??  ?  ??  ?  ?

一開始，藍色的強度（也是 0 到 255）
。

整個過程不到一秒。建議零售價 $499