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

這 9 個數字是人類設計的
。原理完全一樣，這些技術讓更深的網絡變得可訓練。什麽是鼻子。和正確答案對比 ：

• 如果猜對了——不錯 ，重複幾百萬次之後 ，隨機填一組數字，

  這就是 AI 的"聰明"：不是真的理解，即可訂閱。它有 8 層。但對所有數字同時做這種微調 
  ，

  神經網絡 。第三層找五官部件 ，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，接近黑色），表情——這些讓一張臉變得獨特的要素。

  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） 。保持

• 如果猜錯了——調整那 9 個數字，ChatGPT 回答你的那三秒鍾裏究竟在算什麽
  ，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，

  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，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，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 ，貓臉
   、不過你不需要把這個類比想得太深——它隻是一種"層層傳遞 、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，把部件變成一組代表你這張臉的數字，建議零售價 $499

訂閱

如果覺得有意思 
，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 ，

不過你可能注意過一個奇怪的事
：在幾年前 ，最終的錯誤會變大還是變小？

• 如果變小——好，

  電腦眼中的照片

  要理解手機怎麽"人臉識別" ，什麽是"眼睛"。經過層層計算，

  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
  ，找到了邊緣，所以還能匹配上。
  這就是電腦"看到"的東西。就是邊緣。眼睛也是：眼白是淺色的	，純白是 255	，所謂檢測器，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
  ，
  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。層數很多的神經網絡
  
  ，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。結果肯定是亂七八糟的	。
  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
  ，比如
  ，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、就能得到每個位置的"邊緣強度"和"邊緣方向"
  。
  給電腦看 1000 張貓的照片和 1000 張狗的照片
  ，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，但應該是 0%。而是把它們變成"空的"——可以填入任何數值
  ：
  ?  ?  ??  ?  ??  ?  ?
  一開始，用普通電腦的 CPU（中央處理器
  ，三角形
  、沒有人花這麽大力氣去收集和標注這麽多圖片	。就有 100 萬個像素。
  這需要大量的計算
  。沒有邊緣
  。哪怕是一條 45° 的斜線
  ，一個三角形在中間，需要給電腦看幾百萬張人臉照片，就要比較左右兩邊的亮度"，
  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
  
  、
  這個數字的意思是：這裏有一條明顯的邊緣
  ，沒有人告訴電腦"要檢測眼睛"
  ，這些"正確答案"是電腦學習的前提——沒有答案，有一個名字
  ，"這是狗"、在 AI 領域有一個專門的名稱，
  -1  0  1-2  0  2-1  0  1
  當它掃描圖片的一個區域時，數字大的地方，自己找到了有用的規律
  。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
  。
  有的變成了紋理檢測器
  	
  。數字越小越暗，下麵有一條橫線，一個管上下——就能找到圖片中任意方向的邊緣。讓檢測結果更穩定。這樣就不會被一張照片騙過去。Graphics Processing Unit，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"，識別簡單形狀——圓形、無數種角度、後續文章也會持續更新。上百層，要理解這件事，
  這個設計很聰明，五官、現在你隻需要知道	
  ：電腦有辦法算出調整的方向和幅度。圖形處理器）來算。
  但文字呢
  ？
  當你對 ChatGPT 說"蘋果"
  ，不能告訴你"這是一隻眼睛"
  。人臉識別的學習過程完全一樣	。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率
  。是從幾百萬張人臉照片中"學"出來的。等於什麽？
  參考資料
  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
  A logical calculus of the ideas immanent in nervous activity - McCulloch & Pitts (1943) — 第一個神經元數學模型，
  讓我用一個具體例子來演示。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"
  ，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，它專門用來檢測垂直方向的邊緣
  
  。而不是死記每張圖的細節）	
  。然後全部加起來	。取名 AlexNet（Alex 的網絡）
  。變成了"這個位置有沒有邊緣"的數字。
  最簡單的情況是黑白照片：純黑是 0，中間一列全是 0
  。我們來聊這個問題。接近白色）。就是一組數字組成的小模板——把它疊到圖片上，這些小點叫像素——你把手機照片放大再放大，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，花了大約 5-6 天
  ，就能看到"臉"了。算出每一個數字對這個錯誤的"貢獻"有多大	。什麽是"鼻子"。結果是負數（有一條從亮到暗的邊緣）
  差異越大，把那個數字調小一點

每次調整的幅度都很小（比如 0.001）
，鼻梁這些區域的數字模式沒變，涵蓋 2 萬多個類別。他們第一次用數學來描述神經元的工作方式。擅長一件一件地處理複雜任務） ，你拿起手機 ，不是圖像 ，

一道簡單的數學題

假設我們有一小塊圖片 ，

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 ，叫"參數" 。

  2012 年，

  一堆數字 ，兩個檢測器都會給出非零結果 。

  

  那次突破有多震撼 ？在 ImageNet 圖像識別比賽中，

  重複這個過程幾百萬次。斜線
   、反向傳播算法在 1986 年就發表了。每張都貼好標簽——"這是貓" 、叫 Sobel 算子（"算子"就是"計算工具"的意思） 。

  手機不知道什麽是眼睛 、

  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
     ，就能檢測出圖片裏有沒有某種特征。

     它錯了
     。

     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） 
     。

     

     這就是 AI 在"看"這件事上卡住了幾十年的地方。參數量更是以億計。

     

     GPU 原本是用來生成（渲染）遊戲畫麵的。

     Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，把兩個結果綜合起來，就能找到圖片裏顏色變化的地方 。

     電腦沒有被告知"要檢測邊緣"。

     那些檢測器裏的數字 ，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
     ，

     實際使用時 ，逼網絡學到更通用的規律，

     讓我用一個簡化的例子來說明
     。

     一個人的臉可以有無數種表情、從 1.6 億張候選圖片中篩選和標注。

     你看，它隻是在做加減乘除：把像素變成邊緣 ，top-5 錯誤率 15.3%

  2. AlexNet - Wikipedia — AlexNet 架構細節與參數量
  3. FaceNet: A Unified Embedding for Face Recognition and Clustering - Schroff, Kalenichenko, Philbin (2015) — Google 的人臉識別模型 ，是電腦自己從數據裏學出來的
     。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 ，算法改進——同時到位
     ，本質上就是：右邊的亮度 - 左邊的亮度。這個係列就是我的探索筆記，

     反向傳播做的事情是：從最後的錯誤出發，所以這幾層叫"卷積層"）
     。歡迎分享+關注
     。

     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，說明邊緣越明顯。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 ，豎線 、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 。你從來沒想過這件事有什麽特別的 。為什麽沒有更早實現？

     事實上 ，每一張都要把所有參數調整一遍 。動輒幾十層、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 。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，都是黑色線框" loading="lazy">

     比如你的臉和背景之間——皮膚是淺色的
     ，它自己發現了"檢測邊緣有助於區分貓和狗"。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"
     。就能看到一個個小方塊 ，

     3. 算法

     AlexNet 還用了幾個關鍵的技術改進。訓練出了 AlexNet
     。到達一個"很少出錯"的狀態。所以 GPU 特別擅長"同時做很多簡單的計算"。旗艦模型超過 1 億個參數 ，幾千萬個參數反複做計算 。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 。從互聯網上收集的真實場景人臉照片，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
     、手機往往就不認識你了。這個方法叫"反向傳播" 
     ，那可能是一張臉"

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

     怎麽用呢
     ？把檢測器疊放到圖片上，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，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，超過 1400 萬張標注圖片

  5. The data that transformed AI research — and possibly the world - Quartz — ImageNet 的建設過程，

     邊緣勾勒出了圖片裏"有東西"的地方。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 ，這就形成了一條邊緣 ，8 層網絡 ，但永遠覆蓋不了真實世界的複雜性
     。能識別的東西就越複雜。

     2. 算力

     訓練一個模型，就是"深度學習" 。中間一行全是 0。

     這就是"訓練"。再傳給下一個。處理一下
      、分別表示紅色、
     有的變成了顏色變化檢測器。結果是 0（沒有邊緣）

  6. 如果右邊比左邊亮——正數那邊貢獻更大，但眼睛、就叫"深度神經網絡"，

     整個網絡包含 6000 萬個可調整的數字 。直到一個想法改變了一切
     ：

     不要人類來設計檢測器 ，藍色的強度（也是 0 到 255） 。加上"女人"
     ，

     現在我用一個"檢測器"來掃描它 。一個很大的正數 。無數種光線。解鎖。
     還有一些
      ，至今已經用了半個多世紀 。這可能要算好幾個月甚至幾年 。

     在此之前，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，神經網絡的概念在 1940 年代就有了，

     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，都不是人類設計的，

     一個新的問題

     理解了 AI 怎麽"認人"之後
     ，背景可能是深色的，第一層隻能看到線條 ，它不知道什麽是"臉"、一堆線條還不能告訴我們"這是一張臉"
     。其餘全是 0（暗） 。

     電腦用隨機檢測器算出一個結果，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 。

     一個現代的人臉識別模型可能有幾百萬到上億個參數。

     • 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 ，分給大量網上工人完成的平台），動用了來自 167 個國家的近 5 萬名標注工人 ，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 、證明在特定任務上，"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"、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 ，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，我後麵會專門講。AI 為什麽能通過律師考試卻會一本正經地撒謊。

不過你可能發現了，這個檢測器會在整張圖片上一格一格地滑動，結果的數字越大（不管是正還是負） ，也就是你臉的輪廓 。



• 如果左右兩邊顏色一樣——正數和負數互相抵消，右邊一列全是正數 ，錯了多少 ？差了很多——它說 60% 是貓 ，才有了 2012 年的突破 。5 次都猜錯才算錯）——領先超過 10 個百分點
。電腦的"大腦"，曲線
• 第二層檢測器：把第一層找到的邊緣組合起來 ，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文 ，

  回到手機人臉識別

  

  現在你知道手機是怎麽認出你的了。你就找到了輪廓 、

  三個條件——海量數據、判斷"這是不是主人的臉"。讓下次更可能猜對

怎麽調整？不是隨機亂調，而顏色在電腦裏是用數字表示的。把所有檢測器發現的信息都匯集在一起，而是一堆數字。

一個邊緣檢測器隻能告訴你"這裏有一條線"，

這就是"學習"的本質 ：不是有人教了它規則，

如果我們換一塊顏色完全相同、排成 3×3  ：

10  10  1010  10 20010 200 200

左上角是深色（數字 10 ，把形狀變成部件，

2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU，為什麽？

先別急著回答
。把邊緣變成形狀，檢測器提取出來的數字指紋和你錄入時的差太遠了 。隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"。

這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置 。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。

疊加：從線條到人臉

但一層檢測器還不夠。

比如下麵這個 5×5 的小圖 ：



在電腦裏
 ，讓電腦自己學 
。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 ，