本質上就是到底 ：右邊的亮度 - 左邊的亮度 。所以還能匹配上
。聪明从手

實際使用時，机人我們得先搞清楚一個更基本的脸识問題：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 ，

這個類比最早來自 1943 年 McCulloch 和 Pitts 的别说論文 ，純白是到底 255 ，能識別的聪明从手東西就越複雜
。對每個位置都做一次這樣的机人計算。李飛飛團隊通過亞馬遜的脸识眾包平台（一種把任務拆成小塊
、參數量更是别说以億計 。

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、到底同步更新在個人博客和微信公眾號

  微信搜索"我沒有三顆心髒"或者掃描二維碼
  ，聪明从手8 層網絡，机人處理一下
  、脸识背景可能是别说深色的，訓練這樣一個模型 ，建議零售價 $499

訂閱

如果覺得有意思 ，

一道簡單的數學題

假設我們有一小塊圖片，

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，檢測器提取出來的數字指紋和你錄入時的差太遠了 。讓下次更可能猜對

怎麽調整？不是隨機亂調 ，接近黑色），每一張都要把所有參數調整一遍。覺得不錯的話 ，隻用加減乘除，就是一串能代表你長相特征的數字）

• 比較
  ：把這個數字指紋和你第一次錄入時存下的數字指紋做比較
• 判斷：如果兩組數字足夠接近——解鎖

整個過程沒有任何"理解"。用它來學習的方法 ，

整個網絡包含 6000 萬個可調整的數字。



重複這個過程幾百萬次。

一個現代的人臉識別模型可能有幾百萬到上億個參數 。我們先用一個更簡單的任務來說明這個過程——區分貓和狗 。"這是汽車" 。

彩色照片稍微複雜一點 ：每個像素需要三個數字 ，5 次都猜錯才算錯）——領先超過 10 個百分點。豎線
、下麵一行全是正數 ，

所以當你拿手機對著自己的臉 ，

這個設計很聰明，最終這個數據集包含了超過 1400 萬張標注好的圖片 ，到達一個"很少出錯"的狀態
。下巴這些區域的麵部特征被口罩擋住了，

但文字呢 ？

當你對 ChatGPT 說"蘋果"，我們來聊這個問題
。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域 。那些數字就會逐漸穩定下來，把所有檢測器發現的信息都匯集在一起 ，它怎麽找到邊緣？

答案讓我很驚訝 ：隻用簡單的加減乘除就能做到 。

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，即可訂閱	。這個檢測器也是 9 個數字：
-1  0  1-2  0  2-1  0  1
這個檢測器有個名字，
這個數字的意思是：這裏有一條明顯的邊緣，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色
，然後全部加起來。
解決方法是

：疊加很多層。綠色
、"這是狗"
、
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，叫"參數"。神經網絡研究的先驅 Geoffrey Hinton 的學生 Alex Krizhevsky 用這種"多層疊加"的方法做了一個圖像識別程序，都是黑色線框" loading="lazy">
比如你的臉和背景之間——皮膚是淺色的，
2012 年的突破用了一個聰明的辦法
：用遊戲顯卡（GPU，就叫"深度神經網絡"	
，
但如果我們告訴電腦"正確答案"呢
？
就像老師批改作業一樣。花了大約 5-6 天，但也很簡單——本質就是"比較左右兩邊的亮度差"。然後全部相加：(10×-1) + (10×0) + (10×1) +(10×-2) + (10×0) + (200×2) +(10×-1) + (200×0) + (200×1)= -10 + 0 + 10 +  -20 + 0 + 400 +  -10 + 0 + 200= 570

結果是 570，是因為上一層的某個檢測器輸出偏了

• 那個檢測器偏了
  ，

  假設電腦要判斷一張圖是貓還是狗 。電腦的"大腦"，這樣就不會被一張照片騙過去  。現在你隻需要知道：電腦有辦法算出調整的方向和幅度。隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"。動用了來自 167 個國家的近 5 萬名標注工人，從 1.6 億張候選圖片中篩選和標注。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，

  這個困境持續了幾十年 ，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。叫做反向傳播——1986 年由 Rumelhart 、叫神經網絡。

  

  • 如果左右兩邊顏色一樣——正數和負數互相抵消
    ，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，算出每一個數字對這個錯誤的"貢獻"有多大 。然後比較兩組數字有多接近 。戴上口罩 ，分給大量網上工人完成的平台） ，但疊加四五層之後 ，"神經網絡"名稱的起源

  • ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文 ，你就找到了輪廓 、需要對幾百萬張圖片、一堆線條還不能告訴我們"這是一張臉"。什麽是"眼睛"。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，無數種角度 、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 ，層數越多 ，一個三角形在中間 ，藍色的強度（也是 0 到 255）。也會同時在左右和上下兩個方向上產生亮度差，

    這就是 AI 的"聰明" ：不是真的理解 ，

    整個過程不到一秒 。

    神奇的事情發生了：那些原本隨機的數字 ，算法改進——同時到位，但對所有數字同時做這種微調 ，等於什麽？

    參考資料

    1. Sobel operator - Wikipedia — Sobel 算子由 Irwin Sobel 和 Gary Feldman 於 1968 年在斯坦福人工智能實驗室提出
    2. A logical calculus of the ideas immanent in nervous activity - McCulloch & Pitts (1943) — 第一個神經元數學模型，一個很大的正數。哪怕是一條 45° 的斜線 ，

       一個新的問題

       理解了 AI 怎麽"認人"之後，

       讓我把完整的過程串起來：

       1. 采集麵部數據：手機用攝像頭和傳感器采集你的麵部信息，但核心識別原理——把采集到的數據變成數字、什麽是"鼻子"。200 是亮色（接近白色） 。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 。把邊緣變成形狀
           ，

          這就是電腦"看到"的東西 。打個比方
          ：所有人都在 74 分左右競爭，

          • 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，保持

       2. 如果猜錯了——調整那 9 個數字，數字越小越暗 ，加上"女人"，

          

          每個像素都有一個顏色 ，手機往往就不認識你了
          。

          比如下麵這個 5×5 的小圖
          ：

          

          在電腦裏，層層疊加

       3. 提取特征：最後一層輸出一組數字——你可以把它理解為你這張臉的"數字指紋"（專業術語叫"特征向量"，從互聯網上收集的真實場景人臉照片，上百層，鼻子（一個三角形輪廓）
          、是電腦自己從數據裏學出來的 。

          這需要大量的計算。這個係列就是我的探索筆記，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 ，眼睛也是：眼白是淺色的，所以選擇了這樣的數字組合。判斷"這是不是主人的臉"。解鎖。"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"、重複幾百萬次之後，GPU 算力、6000 萬參數 ，什麽是"眼睛"，

  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，對應位置相乘再相加（這個操作的專業名稱叫"卷積" ，才有了 2012 年的突破。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 ，對應位置的數字相乘，需要給電腦看幾百萬張人臉照片，綜合判斷最終結果）。圖形處理器）來算 。不能告訴你"這是一隻眼睛"。

    但如果讓電腦自己來選呢？

    假設我們不再指定這 9 個數字，

    

    就是"深度學習" 。

    2012 年，

    仔細看這個檢測器的結構：左邊一列全是負數，中間一列全是 0 。想分享給你。

    2. 算力

    訓練一個模型，也就是你臉的輪廓 。歡迎分享+關注。沒有邊緣的區域呢
    ？

    圖片:          檢測器:100 100 100    -1  0  1100 100 100    -2  0  2100 100 100    -1  0  1計算：(100×-1) + (100×0) + (100×1) +(100×-2) + (100×0) + (100×2) +(100×-1) + (100×0) + (100×1)= -100 + 0 + 100 +  -200 + 0 + 200 +  -100 + 0 + 100= 0

    結果是 0。分別表示紅色 、
    還有一些，看一眼屏幕 ，右下角是淺色（數字 200 ，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，

    給電腦看 1000 張貓的照片和 1000 張狗的照片，在 AI 領域有一個專門的名稱，是數字。當時售價 499 美元），就 9 個像素 ，人臉識別的學習過程完全一樣
    。它輸出"60% 可能是貓"，什麽是鼻子 。而是把它們變成"空的"——可以填入任何數值：

    ?  ?  ??  ?  ??  ?  ?

    一開始，

    而關鍵是：每一層的檢測器裏的數字，

    疊加：從線條到人臉

    但一層檢測器還不夠。識別簡單形狀——圓形 、GPU 訓練神經網絡比 CPU 快約 70 倍 。之所以叫這個名字，層數很多的神經網絡，
    有的變成了紋理檢測器
    。動輒幾十層、第二層找形狀，再傳給下一個。錯了多少 ？差了很多——它說 60% 是貓，但正確答案是"狗" 。曲線

  • 第二層檢測器 ：把第一層找到的邊緣組合起來，為什麽這幾個數字能檢測邊緣 ？先看看它怎麽用，超過 1400 萬張標注圖片
  • The data that transformed AI research — and possibly the world - Quartz — ImageNet 的建設過程 ，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，但永遠覆蓋不了真實世界的複雜性
    。瞳孔是深色的，它不知道什麽是"臉"、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、排成 3×3 ：

    10  10  1010  10 20010 200 200

    左上角是深色（數字 10 ，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、這就形成了一條邊緣
    ，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，

    讓我用一個具體例子來演示 。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，你會看到一個讓我非常震撼的例子："國王"減去"男人" ，讓電腦自己學。

    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
    。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，右邊一列全是正數 ，
    有的變成了顏色變化檢測器。訓練出了 AlexNet 。至今已經用了半個多世紀 。歡迎關注我 ，一個管上下——就能找到圖片中任意方向的邊緣  。而是一堆數字。每張都貼好標簽——"這是貓" 、

    電腦沒有被告知"要檢測邊緣"
    。結果肯定是亂七八糟的。這些小點叫像素——你把手機照片放大再放大 ，就能得到每個位置的"邊緣強度"和"邊緣方向"
    。就能看到"臉"了。完全不需要知道什麽是"臉" 、沒有人花這麽大力氣去收集和標注這麽多圖片 。越大越亮。隨機填一組數字
    ，

    一堆數字，中間的灰色就是 1 到 254 
    。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 ，

    讓我用一個簡化的例子來說明。

    不過你可能注意過一個奇怪的事：在幾年前
    ，你從來沒想過這件事有什麽特別的。

    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。沒有人告訴電腦"要檢測眼睛"，比如，也就無法調整那些數字。第三層找五官部件，中間一行全是 0。後 3 層負責把前麵提取到的所有信息匯總起來做最終判斷（叫"全連接層"——你可以把它想象成"匯總投票"，涵蓋 2 萬多個類別。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）
    ，嘴巴（兩條曲線）

  • 第四層檢測器：把部件組合成整體——人臉、說明邊緣越明顯 。一張 1000×1000 的照片，

    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
    ，無數種光線 。有一個名字 ，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，就有 100 萬個像素。證明在特定任務上，

    這種"很多層檢測器疊加"的結構，幾千萬個參數反複做計算。就是一組數字組成的小模板——把它疊到圖片上，他們第一次用數學來描述神經元的工作方式。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，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，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，

  電腦用隨機檢測器算出一個結果，經過層層計算 ，檢測更複雜的東西。旗艦模型超過 1 億個參數
  ，貓臉、找到了邊緣 ，變成了"這個位置有沒有邊緣"的數字。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 ，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，這個檢測器會在整張圖片上一格一格地滑動 ，

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
，原理完全一樣，自己找到了有用的規律 。就無法判斷對錯，所以 GPU 特別擅長"同時做很多簡單的計算"  。那就是像素。取名 AlexNet（Alex 的網絡）。但應該是 0%
。

那些檢測器裏的數字，

如果我們換一塊顏色完全相同、這也是邊緣
。就能看到一個個小方塊 ，而今天的大型模型，

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，把兩個結果綜合起來，那可能是一張臉"

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

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