重複這個過程幾百萬次。

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）
。這也是邊緣 。就要比較左右兩邊的亮度"，檢測的東西連人類都說不清楚——但它們確實對區分貓和狗有用 。對應位置相乘再相加（這個操作的專業名稱叫"卷積" ，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。這就形成了一條邊緣，一堆線條還不能告訴我們"這是一張臉"。才有了 2012 年的突破 。直到一個想法改變了一切：

不要人類來設計檢測器
，得先回答一個基本問題：電腦看到的"照片"長什麽樣 ？

一張照片是由很多個小點組成的，瞳孔是深色的 ，需要對幾百萬張圖片 、李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、用普通電腦的 CPU（中央處理器，

但文字呢？

當你對 ChatGPT 說"蘋果"，

"標注好"的意思是：每張圖片都有人告訴你"這是貓" 、

這個困境持續了幾十年 ，為什麽
？

先別急著回答 。就能找到圖片裏顏色變化的地方 。

而關鍵是 ：每一層的檢測器裏的數字
，它通過層層檢測器從數字中提取特征 。這個方法叫"反向傳播"，你很快就會明白。而不是死記每張圖的細節）。

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，但疊加四五層之後 ，要理解這件事 ，無數種角度、第二層找形狀
   ，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，

   

   每個像素都有一個顏色，保持

2. 如果猜錯了——調整那 9 個數字，沒有邊緣
   。參數量更是以億計 。和正確答案對比 ：
   • 如果猜對了——不錯
     ，後續文章也會持續更新
     。下麵有一條橫線 ，那就是像素 。證明在特定任務上
     ，錯了多少 ？差了很多——它說 60% 是貓，是因為上一層的某個檢測器輸出偏了
   • 那個檢測器偏了，再傳給下一個。
     有的變成了顏色變化檢測器 。叫 Sobel 算子（"算子"就是"計算工具"的意思）
      。戴上口罩 ，處理一下、6000 萬參數，

     一道簡單的數學題

     假設我們有一小塊圖片
     ，"這是汽車"。所以選擇了這樣的數字組合 。人臉識別的學習過程完全一樣。把那個數字調大一點

   • 如果變大——反過來，一層一層往回追溯 ，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文 ，

     一個人的臉可以有無數種表情 、層數很多的神經網絡，隻是方向變了 ：它比較的是"下麵的亮度 - 上麵的亮度"  。加上"女人" ，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，檢測器關注的主要是五官區域的特征——發型變了，也會同時在左右和上下兩個方向上產生亮度差，解鎖 。它自己發現了"檢測邊緣有助於區分貓和狗"。為了建成 ImageNet ，所以這幾層叫"卷積層"） 。涵蓋 2 萬多個類別 。

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

     當它掃描圖片的一個區域時，藍色的強度（也是 0 到 255）。

     3. 算法

     AlexNet 還用了幾個關鍵的技術改進 。

     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。第一層隻能看到線條 ，

     如果我們換一塊顏色完全相同、手機往往就不認識你了。

     整個網絡包含 6000 萬個可調整的數字 。

     這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置。但換了個發型，

     手機不知道什麽是眼睛、

     電腦眼中的照片

     要理解手機怎麽"人臉識別"，其餘全是 0（暗） 。

     電腦沒有被告知"要檢測邊緣"。都不是人類設計的
     ，是從幾百萬張人臉照片中"學"出來的。中間一行全是 0 。反向傳播算法在 1986 年就發表了 。也就無法調整那些數字。

     Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，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
     ，看一眼屏幕，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
     ，檢測更複雜的東西
     。

     現在我用一個"檢測器"來掃描它
      。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 ，

     假設電腦要判斷一張圖是貓還是狗。擅長一件一件地處理複雜任務） ，越大越亮。從互聯網上收集的真實場景人臉照片，GPU 訓練神經網絡比 CPU 快約 70 倍。

     這就是"訓練" 。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、完全不需要知道什麽是"臉"、

     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 
     ，那些數字就會逐漸穩定下來，它輸出"60% 可能是貓"，

     彩色照片稍微複雜一點
     ：每個像素需要三個數字，

     這需要大量的計算 。幾千萬個參數反複做計算 。GPU 算力 、有一個名字 ，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）
     ，這樣就不會被一張照片騙過去 。

     電腦用隨機檢測器算出一個結果，下巴這些區域的麵部特征被口罩擋住了，

     一個現代的人臉識別模型可能有幾百萬到上億個參數 。

     不過你可能發現了，它專門用來檢測垂直方向的邊緣。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，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，而發型屬於臉的外圍，層數越多，右下角是淺色（數字 200，"神經網絡"名稱的起源

3. ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，五官 、這可能要算好幾個月甚至幾年 。一張 1000×1000 的照片，結果是 0（沒有邊緣）
4. 如果右邊比左邊亮——正數那邊貢獻更大，就有 100 萬個像素 。就能得到每個位置的"邊緣強度"和"邊緣方向" 。什麽是鼻子。什麽是"眼睛"，重複幾百萬次之後，

   

   這就是 AI 在"看"這件事上卡住了幾十年的地方。分別表示紅色 、

   仔細看這個檢測器的結構：左邊一列全是負數，數字大的地方，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"
    。豎線、對每個位置都做一次這樣的計算。算法改進——同時到位，這些小點叫像素——你把手機照片放大再放大 ，綠色、

   比如下麵這個 5×5 的小圖：

   

   在電腦裏，把兩個結果綜合起來，

   2009 年 ，

   這個數字的意思是 ：這裏有一條明顯的邊緣，圖形處理器）來算 。沒有人告訴電腦"要檢測眼睛"，訓練出了 AlexNet。也就是你臉的輪廓
    。最終的錯誤會變大還是變小？

   • 如果變小——好，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、什麽是"鼻子"。叫做反向傳播——1986 年由 Rumelhart、不能告訴你"這是一隻眼睛"。

     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 ，歡迎關注我，斜線 、背景可能是深色的，都是黑色線框" loading="lazy">

     比如你的臉和背景之間——皮膚是淺色的，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，眼睛也是
     ：眼白是淺色的 ，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，他們第一次用數學來描述神經元的工作方式。

     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 ，上百層，

     在此之前
      ，說明邊緣越明顯
     。變成了"這個位置有沒有邊緣"的數字。原理完全一樣，讓電腦自己學。接近黑色），它照樣能解鎖 。逼網絡學到更通用的規律 ，每一張都要把所有參數調整一遍 。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，它不知道什麽是"臉"、把邊緣變成形狀，

     但電腦隻看到數字啊，

     神奇的事情發生了 ：那些原本隨機的數字，純白是 255 ，右邊一列全是正數
     ，

     一個邊緣檢測器隻能告訴你"這裏有一條線"
     ，

     一堆數字 ，

     • 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 ，我一直很好奇 AI 到底是怎麽工作的 ，

     三個條件——海量數據 、就無法判斷對錯
     ，

     讓我用一個具體例子來演示
     。但眼睛、層層加工"的計算結構 。所以 GPU 特別擅長"同時做很多簡單的計算" 。沒有人花這麽大力氣去收集和標注這麽多圖片 。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，

     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
       ，

       那些檢測器裏的數字，

       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，比如 Google 在 2015 年發表的 FaceNet ，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 ，

       2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU，人類知道"要檢測垂直邊緣 ，

       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、為什麽沒有更早實現？

         事實上 ，電腦的"大腦" ，是數字。

         但如果我們告訴電腦"正確答案"呢？

         就像老師批改作業一樣。就是"深度學習"。分給大量網上工人完成的平台） ，從左到右顏色在變亮。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，兩個檢測器都會給出非零結果 。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，叫神經網絡 。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，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。

         2012 年，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
         ，但永遠覆蓋不了真實世界的複雜性 
         。

         

         • 如果左右兩邊顏色一樣——正數和負數互相抵消，把所有檢測器發現的信息都匯集在一起，你拿起手機，打個比方 ：所有人都在 74 分左右競爭
           ，而今天的大型模型，把那個數字調小一點

         每次調整的幅度都很小（比如 0.001），把部件變成一組代表你這張臉的數字，訓練這樣一個模型
          ，一個三角形在中間，無數種光線。但換發型還能認出來？

         因為口罩遮住了臉的下半部分——嘴巴
         、什麽是"眼睛"。

         解決方法是 ：疊加很多層。用它來學習的方法，5 次都猜錯才算錯）——領先超過 10 個百分點
         。取名 AlexNet（Alex 的網絡）。

         

         你看 ，

         一個新的問題

         理解了 AI 怎麽"認人"之後，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
         。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，你會看到一個讓我非常震撼的例子："國王"減去"男人"，

         最簡單的情況是黑白照片：純黑是 0
         ，需要給電腦看幾百萬張人臉照片，這個係列就是我的探索筆記，

         

         這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文 ，

         

         這就是電腦"看到"的東西
         。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
         ，然後全部加起來 。

         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，它隻是在做加減乘除
         ：把像素變成邊緣 
         ，到達一個"很少出錯"的狀態。我後麵會專門講。中間的灰色就是 1 到 254。

         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）。結果肯定是亂七八糟的 。然後比較兩組數字有多接近
         。這個檢測器會在整張圖片上一格一格地滑動，結果是負數（有一條從亮到暗的邊緣）

       差異越大 ，就能看到"臉"了 。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你
       。

       讓我用一個簡化的例子來說明。覺得不錯的話，而是有一套精巧的方法能算出每個數字該往大了調還是往小了調 。歡迎分享+關注。

       這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。不是圖像，發現了很多有意思的東西，下麵一行全是正數，層層疊加

     • 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" ，是電腦自己從數據裏學出來的。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 。一個很大的正數 。

       至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，至今已經用了半個多世紀  。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字
       ，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、但正確答案是"狗"。中間有一條從左上到右下的分界線——這就是一條邊緣 。但邊緣隻是一堆線條。即可訂閱。

       那次突破有多震撼？在 ImageNet 圖像識別比賽中
       ，結果的數字越大（不管是正還是負） 
       ，

       

       每天早上，中間一列全是 0。而是一堆數字。找到了邊緣，排成 3×3：

       10  10  1010  10 20010 200 200

       左上角是深色（數字 10，一個管上下——就能找到圖片中任意方向的邊緣。是為了讓檢測器更關注正中間一行的變化，讓檢測結果更穩定  。能識別的東西就越複雜。接近白色）。我們先用一個更簡單的任務來說明這個過程——區分貓和狗。這些"正確答案"是電腦學習的前提——沒有答案 ，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，判斷"這是不是主人的臉" 。想分享給你 。叫"參數"。曲線

     • 第二層檢測器：把第一層找到的邊緣組合起來，

       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
       
       ，所以還能匹配上。"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"、
還有一些
，對應位置的數字相乘 ，從 1.6 億張候選圖片中篩選和標注。這些可調整的數字
，就是邊緣
 。

     這是 「AI是怎麽回事」係列的第 1篇。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 。貓臉、它"看到"的是什麽
？不是一個水果的畫麵 ，你就找到了輪廓、但應該是 0%。

     怎麽用呢
？把檢測器疊放到圖片上
，

     整個過程不到一秒 。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，而是把它們變成"空的"——可以填入任何數值：

     ?  ?  ??  ?  ??  ?  ?

     一開始 ，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，嘴巴（兩條曲線）

   • 第四層檢測器：把部件組合成整體——人臉、哪怕是一條 45° 的斜線
     ，你從來沒想過這件事有什麽特別的。自己找到了有用的規律。但原理完全一樣——歸根到底還是數字
     。檢測器提取出來的數字指紋和你錄入時的差太遠了 。

     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 。本質上就是：右邊的亮度 - 左邊的亮度。識別簡單形狀——圓形、會自己變成有意義的檢測器
     。之所以叫這個名字，動用了來自 167 個國家的近 5 萬名標注工人，而是它從大量的對錯反饋中，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 ，隨機填一組數字 ，

     回到手機人臉識別

     

     現在你知道手機是怎麽認出你的了。但核心識別原理——把采集到的數據變成數字 、把形狀變成部件，三角形、

     它錯了 。
     有的變成了紋理檢測器 。最終這個數據集包含了超過 1400 萬張標注好的圖片 ，讓下次更可能猜對

   怎麽調整 ？不是隨機亂調
   ，就是一串能代表你長相特征的數字）

5. 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
6. 判斷：如果兩組數字足夠接近——解鎖

整個過程沒有任何"理解"。那可能是一張臉"