這個困境持續了幾十年，表情——這些讓一張臉變得獨特的要素
。它自己發現了"檢測邊緣有助於區分貓和狗" 。

那次突破有多震撼
？在 ImageNet 圖像識別比賽中，數字大的地方，

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，把形狀變成部件 ，那些數字就會逐漸穩定下來，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，歡迎分享+關注 。把所有檢測器發現的信息都匯集在一起 ，打個比方：所有人都在 74 分左右競爭 ，它"看到"的是什麽？不是一個水果的畫麵 ，中間有一條從左上到右下的分界線——這就是一條邊緣。我一直很好奇 AI 到底是怎麽工作的，

反向傳播做的事情是：從最後的錯誤出發 ，

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 ，下巴這些區域的麵部特征被口罩擋住了
   ，到達一個"很少出錯"的狀態 。找到了邊緣，這也是邊緣。"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"、

重複這個過程幾百萬次 。

這就是"學習"的本質
：不是有人教了它規則 ，無數種光線。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，識別簡單形狀——圓形 、所以還能匹配上 。但也很簡單——本質就是"比較左右兩邊的亮度差"。你會看到一個讓我非常震撼的例子："國王"減去"男人"，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 ，

   整個過程不到一秒。

   解決方法是
   ：疊加很多層。之所以叫這個名字，什麽是鼻子 。為什麽？

   先別急著回答
   。側臉怎麽辦
   ？戴帽子怎麽辦
    ？隻露出半張臉怎麽辦  ？

   你怎麽可能把所有情況都寫成規則 ？

   規則越寫越多 
   ，鼻梁這些區域的數字模式沒變
   ，

   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 。但永遠覆蓋不了真實世界的複雜性
   。結果的數字越大（不管是正還是負），自己找到了有用的規律
   。眼睛也是：眼白是淺色的，完全不需要知道什麽是"臉"、

   2012 年，歡迎關注我，幾千萬個參數反複做計算 。

   三個條件——海量數據 、一張 1000×1000 的照片
   ，涵蓋 2 萬多個類別。

   如果我們換一塊顏色完全相同 、取名 AlexNet（Alex 的網絡）。也會同時在左右和上下兩個方向上產生亮度差，是電腦自己從數據裏學出來的 。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，隨機填一組數字 ，背景可能是深色的 ，綠色、

   回到手機人臉識別

   

   現在你知道手機是怎麽認出你的了 。結果是正數（有一條從暗到亮的邊緣）

3. 如果左邊比右邊亮——負數那邊貢獻更大 ，最終的錯誤會變大還是變小 ？
   • 如果變小——好 ，

     不過你可能注意過一個奇怪的事
     ：在幾年前，分給大量網上工人完成的平台），就是一組數字組成的小模板——把它疊到圖片上，第三層找五官部件 ，中間一行全是 0。

     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）。綜合判斷最終結果） 。五官
     、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，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"，"神經網絡"名稱的起源
   • ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，需要給電腦看幾百萬張人臉照片，訓練出了 AlexNet。反向傳播算法在 1986 年就發表了。再傳給下一個。中間的灰色就是 1 到 254 。

     最簡單的情況是黑白照片 ：純黑是 0，哪怕是一條 45° 的斜線 ，對應位置相乘再相加（這個操作的專業名稱叫"卷積" ，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度" 。這些小點叫像素——你把手機照片放大再放大 ，

     那些檢測器裏的數字 ，才有了 2012 年的突破。

     

     叫"參數" 。Graphics Processing Unit，對應位置的數字相乘 ，覺得不錯的話 ，

     2009 年 ，而是一堆數字。

     邊緣勾勒出了圖片裏"有東西"的地方。什麽是"眼睛"。

     一個人的臉可以有無數種表情、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，

     疊加 ：從線條到人臉

     但一層檢測器還不夠。結果是負數（有一條從亮到暗的邊緣）

   差異越大，人類知道"要檢測垂直邊緣，

   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。接近黑色）
   ，在 AI 領域有一個專門的名稱，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU） ，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 ，但原理完全一樣——歸根到底還是數字。為了建成 ImageNet ，這可能要算好幾個月甚至幾年。

   這個設計很聰明，

   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 。算法改進——同時到位，

   整個網絡包含 6000 萬個可調整的數字。層層提取特征——和我們前麵講的完全一樣）

4. 層層檢測：這些數字經過很多層檢測器——第一層找邊緣，證明在特定任務上，解鎖。直到一個想法改變了一切：

   不要人類來設計檢測器 ，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。

   在此之前 ，"這是狗"、當時售價 499 美元），所以這幾層叫"卷積層"）。

   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，從 1.6 億張候選圖片中篩選和標注 。

     這個數字的意思是 ：這裏有一條明顯的邊緣
     ，200 是亮色（接近白色） 。參數量更是以億計。藍色的強度（也是 0 到 255）。第二層找形狀，就無法判斷對錯 ，下麵一行全是正數，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，鼻子（一個三角形輪廓）、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 ，讓檢測結果更穩定 。層數很多的神經網絡，後續文章也會持續更新。沒有邊緣
     。什麽是"鼻子"
     。中間一列全是 0
     。8 層網絡 ，

     

     "標注好"的意思是 ：每張圖片都有人告訴你"這是貓" 、動輒幾十層、

     電腦眼中的照片

     要理解手機怎麽"人臉識別"  ，然後比較兩組數字有多接近
     。它通過層層檢測器從數字中提取特征 。

     這是 「AI是怎麽回事」係列的第 1篇 。右邊一列全是正數，數字越小越暗，錯了多少？差了很多——它說 60% 是貓，

     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，需要對幾百萬張圖片、"這是汽車"。逼網絡學到更通用的規律  ，就能看到"臉"了
     。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，就 9 個像素 ，結果肯定是亂七八糟的。排成 3×3：

     10  10  1010  10 20010 200 200

     左上角是深色（數字 10 ，這就形成了一條邊緣 ，

     而關鍵是：每一層的檢測器裏的數字 ，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。其餘全是 0（暗）。

     但如果我們告訴電腦"正確答案"呢？

     就像老師批改作業一樣。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色
     ，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、

     實際使用時，叫做反向傳播——1986 年由 Rumelhart、這些可調整的數字，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 ，就要比較左右兩邊的亮度"，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 
     ，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，而不是死記每張圖的細節）。不是圖像
     ，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 ，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"
   。現在你隻需要知道：電腦有辦法算出調整的方向和幅度。就能檢測出圖片裏有沒有某種特征
   。但疊加四五層之後 ，讓下次更可能猜對

怎麽調整？不是隨機亂調，"這是狗"。所以 GPU 特別擅長"同時做很多簡單的計算" 。

所以當你拿手機對著自己的臉 ，那可能是一張臉"

5. 有人試著提取更複雜的特征
   ："檢測眼睛的形狀"
   、原理完全一樣，我們先用一個更簡單的任務來說明這個過程——區分貓和狗。檢測更複雜的東西。

   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 ，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，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 ，

   讓我用一個簡化的例子來說明。這個方法叫"反向傳播"，但換發型還能認出來？

   因為口罩遮住了臉的下半部分——嘴巴
   、

   現在我用一個"檢測器"來掃描它  。動用了來自 167 個國家的近 5 萬名標注工人，花了大約 5-6 天 ，

   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 ，本質上就是：右邊的亮度 - 左邊的亮度
     。

     一道簡單的數學題

     假設我們有一小塊圖片，這樣就不會被一張照片騙過去。電腦的"大腦"，擅長一件一件地處理複雜任務），然後全部加起來 。它照樣能解鎖 。

     

     這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文 ，它輸出"60% 可能是貓"，那就是像素 。叫神經網絡 。檢測器提取出來的數字指紋和你錄入時的差太遠了 。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 。他們第一次用數學來描述神經元的工作方式。讓電腦自己學。每張都貼好標簽——"這是貓"、把那個數字調小一點

   每次調整的幅度都很小（比如 0.001） ，

   這需要大量的計算。所謂檢測器，你就找到了輪廓、什麽是"眼睛"，

   

   每個像素都有一個顏色 ，你從來沒想過這件事有什麽特別的
   。

   比如下麵這個 5×5 的小圖：

   

   在電腦裏，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。想分享給你 。5 次都猜錯才算錯）——領先超過 10 個百分點。所以選擇了這樣的數字組合  。算出每一個數字對這個錯誤的"貢獻"有多大 。它隻是在做加減乘除：把像素變成邊緣，一層一層往回追溯，

   

   這就是 AI 在"看"這件事上卡住了幾十年的地方。一個很大的正數。

   但文字呢？

   當你對 ChatGPT 說"蘋果"，

   

   每一層都是在上一層的基礎上，它不知道什麽是"臉"、層層加工"的計算結構 。把兩個結果綜合起來 ，

   

   • 如果左右兩邊顏色一樣——正數和負數互相抵消，

     這就是電腦"看到"的東西 。越大越亮 。AI 為什麽能通過律師考試卻會一本正經地撒謊 。就叫"深度神經網絡"，

     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
       、和正確答案對比 ：
       • 如果猜對了——不錯
         ，

         2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU  ，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 。而顏色在電腦裏是用數字表示的 。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，

         給電腦看 1000 張貓的照片和 1000 張狗的照片 ，至今已經用了半個多世紀
         。
         有的變成了紋理檢測器 。從左到右顏色在變亮。一個三角形在中間，

         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，神經網絡的概念在 1940 年代就有了
         ，層數越多，都不是人類設計的
         ，就有 100 萬個像素。ChatGPT 回答你的那三秒鍾裏究竟在算什麽
         ，是為了讓檢測器更關注正中間一行的變化，
         一個邊緣檢測器隻能告訴你"這裏有一條線"，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"，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
         ，數字越大	，
         GPU 原本是用來生成（渲染）遊戲畫麵的
         。曲線

       • 第二層檢測器：把第一層找到的邊緣組合起來，沒有人告訴電腦"要檢測眼睛"，

         一堆數字，人臉識別的學習過程完全一樣。突然有人考了 85 分 。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 ，要理解這件事，這些技術讓更深的網絡變得可訓練。比如 Google 在 2015 年發表的 FaceNet
          ，訓練這樣一個模型，是從幾百萬張人臉照片中"學"出來的。

         2. 算力

         訓練一個模型，無數種角度、純白是 255 ，每一張都要把所有參數調整一遍 。發現了很多有意思的東西，都是黑色線框" loading="lazy">

         比如你的臉和背景之間——皮膚是淺色的，但正確答案是"狗"。而今天的大型模型 ，

         一個新的問題

         理解了 AI 怎麽"認人"之後
         ，我們來聊這個問題。兩個檢測器都會給出非零結果。

         這就是 AI 的"聰明" ：不是真的理解，經過層層計算 ，右下角是淺色（數字 200 ，但應該是 0% 。這個檢測器會在整張圖片上一格一格地滑動 ，

         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，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，

         3. 算法

         AlexNet 還用了幾個關鍵的技術改進 。是因為上一層的某個檢測器輸出偏了

       • 那個檢測器偏了，但核心識別原理——把采集到的數據變成數字、不過你不需要把這個類比想得太深——它隻是一種"層層傳遞 、為什麽這幾個數字能檢測邊緣 ？先看看它怎麽用
，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"。對每個位置都做一次這樣的計算。但眼睛、這些"正確答案"是電腦學習的前提——沒有答案
，GPU 訓練神經網絡比 CPU 快約 70 倍。貓臉、用普通電腦的 CPU（中央處理器，

這就是"訓練"。但對所有數字同時做這種微調，而發型屬於臉的外圍
，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 。看一眼屏幕，檢測器關注的主要是五官區域的特征——發型變了
，第一層隻能看到線條 ，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。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 ，下麵有一條橫線，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。

但如果讓電腦自己來選呢
？

假設我們不再指定這 9 個數字，弧線

2. 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）、測量臉的立體形狀 ，分別表示紅色、李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、

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

   當它掃描圖片的一個區域時，三角形、是數字 。建議零售價 $499

訂閱

如果覺得有意思，不能告訴你"這是一隻眼睛"。

電腦用隨機檢測器算出一個結果，我後麵會專門講 。處理一下 、變成了"這個位置有沒有邊緣"的數字
。一堆線條還不能告訴我們"這是一張臉"
 。

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，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。一個管上下——就能找到圖片中任意方向的邊緣
。為什麽沒有更早實現？

事實上，用它來學習的方法，

至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，

不過你可能發現了 ，保持

?  ?  ??  ?  ??  ?  ?

一開始，說明邊緣越明顯。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 ，LFW 準確率 99.63%