這就是脸识電腦"看"圖片的第一步：找到所有顏色突變的位置
。都是别说黑色線框" loading="lazy">

比如你的臉和背景之間——皮膚是淺色的
，測量臉的到底立體形狀，第一層隻能看到線條，聪明从手

順便說一下這個檢測器的机人來曆 ：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 ，"這是脸识汽車"。他們第一次用數學來描述神經元的别说工作方式。層數很多的到底神經網絡，

為什麽 2012 年才成功
？聪明从手

你可能會好奇 ：如果"讓電腦自己學"這個想法這麽好，之所以叫這個名字 ，机人叫"參數" 。脸识

重複這個過程幾百萬次。别说而今天的大型模型，右下角是淺色（數字 200，

這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，而是一堆數字。

而關鍵是：每一層的檢測器裏的數字，每一張都要把所有參數調整一遍。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" ，

一個邊緣檢測器隻能告訴你"這裏有一條線" ，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 ，下麵有一條橫線，

電腦沒有被告知"要檢測邊緣"。用它來學習的方法，

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）。算出每一個數字對這個錯誤的"貢獻"有多大。也就是你臉的輪廓。把形狀變成部件，

2012 年，

在此之前 ，

GPU 原本是用來生成（渲染）遊戲畫麵的  。完全不需要知道什麽是"臉"
、一個管上下——就能找到圖片中任意方向的邊緣。

怎麽用呢？把檢測器疊放到圖片上 ，突然有人考了 85 分。第二層找形狀 ，"這是狗"、把部件變成一組代表你這張臉的數字，

至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，當時售價 499 美元），它不知道什麽是"臉" 、GPU 訓練神經網絡比 CPU 快約 70 倍。
有的變成了紋理檢測器 。而顏色在電腦裏是用數字表示的。無數種光線。你會看到一個讓我非常震撼的例子："國王"減去"男人" ，排成 3×3 ：

10  10  1010  10 20010 200 200

左上角是深色（數字 10，歡迎關注我，就能得到每個位置的"邊緣強度"和"邊緣方向"。重複幾百萬次之後 ，什麽是"眼睛"  ，電腦的"大腦"，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，證明在特定任務上 ，原理完全一樣 ，

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）。

如果我們換一塊顏色完全相同、也就無法調整那些數字 。

仔細看這個檢測器的結構：左邊一列全是負數
，叫 Sobel 算子（"算子"就是"計算工具"的意思） 。層數越多，曲線

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

電腦會計算 ：如果某個檢測器裏的某個數字稍微變大一點 ，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，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。神經網絡的概念在 1940 年代就有了，這就形成了一條邊緣，貓臉、就要比較左右兩邊的亮度"，一個很大的正數
。它照樣能解鎖。

不過你可能發現了 ，數字大的地方，AI 為什麽能通過律師考試卻會一本正經地撒謊 。

但如果我們告訴電腦"正確答案"呢？

就像老師批改作業一樣。

實際使用時，數字越小越暗，

但如果讓電腦自己來選呢 ？

假設我們不再指定這 9 個數字，反向傳播算法在 1986 年就發表了。

彩色照片稍微複雜一點 ：每個像素需要三個數字，才有了 2012 年的突破。

每天早上 ，我後麵會專門講 。手機往往就不認識你了 。

• 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，有一個名字，處理一下 、打個比方 ：所有人都在 74 分左右競爭 ，能識別的東西就越複雜。錯了多少？差了很多——它說 60% 是貓
，每張都貼好標簽——"這是貓" 、

現在我用一個"檢測器"來掃描它 。發現了很多有意思的東西 ，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 ，中間的灰色就是 1 到 254。

這個困境持續了幾十年，判斷"這是不是主人的臉"  。不是圖像，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，

• 如果左右兩邊顏色一樣——正數和負數互相抵消 ，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、這個方法叫"反向傳播"，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。

  2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU，而是它從大量的對錯反饋中，

  但電腦隻看到數字啊 ，

  這個設計很聰明 ，表情——這些讓一張臉變得獨特的要素。結果是 0（沒有邊緣）

• 如果右邊比左邊亮——正數那邊貢獻更大 ，

  它錯了。

  3. 算法

  AlexNet 還用了幾個關鍵的技術改進 。涵蓋 2 萬多個類別 。

  反向傳播做的事情是：從最後的錯誤出發，要理解這件事，什麽是"鼻子"
  。叫做反向傳播——1986 年由 Rumelhart、

  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。後續文章也會持續更新。沒有人花這麽大力氣去收集和標注這麽多圖片。結果的數字越大（不管是正還是負） ，但正確答案是"狗"。訓練這樣一個模型 ，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字 ，下巴這些區域的麵部特征被口罩擋住了 ，把兩個結果綜合起來 
  ，瞳孔是深色的，

  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 。但邊緣隻是一堆線條。

  那次突破有多震撼？在 ImageNet 圖像識別比賽中，

  電腦眼中的照片

  要理解手機怎麽"人臉識別"，藍色的強度（也是 0 到 255） 。

  一個新的問題

  理解了 AI 怎麽"認人"之後，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，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  。那就是像素
  。對應位置相乘再相加（這個操作的專業名稱叫"卷積"，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，但也很簡單——本質就是"比較左右兩邊的亮度差"。

  不過你可能注意過一個奇怪的事：在幾年前
   ，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 ，是電腦自己從數據裏學出來的。檢測器關注的主要是五官區域的特征——發型變了，即可訂閱。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） 、需要給電腦看幾百萬張人臉照片 ，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，就無法判斷對錯 ，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、本質上就是：右邊的亮度 - 左邊的亮度 。中間一行全是 0 。越大越亮。就是"深度學習" 。

  讓我用一個具體例子來演示。Graphics Processing Unit 
  ，無數種角度、接近黑色），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
  ，就能檢測出圖片裏有沒有某種特征。解鎖 。想分享給你 。嘴巴（兩條曲線）

• 第四層檢測器：把部件組合成整體——人臉、所以還能匹配上 。這些"正確答案"是電腦學習的前提——沒有答案，
  還有一些 ，幾千萬個參數反複做計算 。純白是 255 ，取名 AlexNet（Alex 的網絡）。

  整個過程不到一秒。我們來聊這個問題。直到一個想法改變了一切
  ：

  不要人類來設計檢測器 ，從 1.6 億張候選圖片中篩選和標注。

  

  8 層網絡
  ，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 ，它輸出"60% 可能是貓" 
  ，說明邊緣越明顯 。逼網絡學到更通用的規律，綜合判斷最終結果）。

  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。但核心識別原理——把采集到的數據變成數字 、中間有一條從左上到右下的分界線——這就是一條邊緣 。什麽是"眼睛"。

  這個數字的意思是：這裏有一條明顯的邊緣，

  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 ，你從來沒想過這件事有什麽特別的。就有 100 萬個像素。和正確答案對比
  ：

  • 如果猜對了——不錯，

    

    這就是 AI 在"看"這件事上卡住了幾十年的地方。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，經過層層計算，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"，覺得不錯的話，

    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
       ，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。

      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 ，保持

    • 如果猜錯了——調整那 9 個數字 ，

      讓我用一個簡化的例子來說明。檢測器提取出來的數字指紋和你錄入時的差太遠了。

      2009 年，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"。

      這就是 AI 的"聰明" ：不是真的理解，

      

      這種"很多層檢測器疊加"的結構，就是一組數字組成的小模板——把它疊到圖片上，讓下次更可能猜對

    怎麽調整 ？不是隨機亂調，

    回到手機人臉識別

    

    現在你知道手機是怎麽認出你的了。你拿起手機，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。我們先用一個更簡單的任務來說明這個過程——區分貓和狗 。從左到右顏色在變亮 。"這是狗"。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，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 ，需要對幾百萬張圖片 、這個檢測器會在整張圖片上一格一格地滑動  ，中間一列全是 0。不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、就 9 個像素
    ，它通過層層檢測器從數字中提取特征。

    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  ，6000 萬參數 ，是從幾百萬張人臉照片中"學"出來的 。但疊加四五層之後，讓檢測結果更穩定。

    但文字呢？

    當你對 ChatGPT 說"蘋果"，但換了個發型 ，層層加工"的計算結構。

    Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，說明邊緣越明顯 。就是邊緣 。然後比較兩組數字有多接近。最終這個數據集包含了超過 1400 萬張標注好的圖片
    ，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
    ，哪怕是一條 45° 的斜線
    ，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，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，擅長一件一件地處理複雜任務），它隻是在做加減乘除
    ：把像素變成邊緣 ，為什麽？

    先別急著回答。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、它有 8 層 。結果是負數（有一條從亮到暗的邊緣）

  差異越大
  ，比如 Google 在 2015 年發表的 FaceNet，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，而發型屬於臉的外圍，歡迎分享+關注。

  手機不知道什麽是眼睛、5 次都猜錯才算錯）——領先超過 10 個百分點。這些技術讓更深的網絡變得可訓練 。斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集
  。

  邊緣勾勒出了圖片裏"有東西"的地方 。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"。200 是亮色（接近白色） 。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，對應位置的數字相乘，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，然後全部加起來。

  這就是"訓練"
  。至今已經用了半個多世紀 。讓電腦自己學。

  這就是電腦"看到"的東西 。斜線、

  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 、比如，隨機填一組數字，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，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度" 。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。把邊緣變成形狀 ，綠色 、"神經網絡"名稱的起源
  • ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，就能看到一個個小方塊
    ，為了建成 ImageNet，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 。都不是人類設計的，

    

    每個像素都有一個顏色 ，一個三角形在中間，一堆線條還不能告訴我們"這是一張臉"。

    這就是"學習"的本質 ：不是有人教了它規則，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU） ，鼻子（一個三角形輪廓）、我一直很好奇 AI 到底是怎麽工作的，算法改進——同時到位 ，也會同時在左右和上下兩個方向上產生亮度差，

    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	，那可能是一張臉"

  • 有人試著提取更複雜的特征："檢測眼睛的形狀"、

    最簡單的情況是黑白照片：純黑是 0，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。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。鼻梁這些區域的數字模式沒變，

    這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。沒有邊緣 。人臉識別的學習過程完全一樣。用普通電腦的 CPU（中央處理器，

    

    "標注好"的意思是：每張圖片都有人告訴你"這是貓"
    、花了大約 5-6 天，

    這需要大量的計算  。

    假設電腦要判斷一張圖是貓還是狗。

    一堆數字 ，

    給電腦看 1000 張貓的照片和 1000 張狗的照片
    ，一張 1000×1000 的照片，所以 GPU 特別擅長"同時做很多簡單的計算"。

    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，

      所以當你拿手機對著自己的臉
      ，

      解決方法是：疊加很多層
      。不能告訴你"這是一隻眼睛"。人類知道"要檢測垂直邊緣，所謂檢測器 ，右邊一列全是正數，

      一個人的臉可以有無數種表情 、接近白色）
      。是因為上一層的某個檢測器輸出偏了

    • 那個檢測器偏了，是為了讓檢測器更關注正中間一行的變化，這也是邊緣。把那個數字調大一點
    • 如果變大——反過來 ，GPU 算力 、所以這幾層叫"卷積層"） 。但永遠覆蓋不了真實世界的複雜性 。這個係列就是我的探索筆記 ，兩個檢測器都會給出非零結果 。為什麽沒有更早實現？

      事實上，

      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
      ，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，它自己發現了"檢測邊緣有助於區分貓和狗"。眼睛也是：眼白是淺色的，

      你看
      ，但換發型還能認出來 ？

      因為口罩遮住了臉的下半部分——嘴巴 、
      有的變成了顏色變化檢測器。

      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，

         這是 「AI是怎麽回事」係列的第 1篇。

         一道簡單的數學題

         假設我們有一小塊圖片，叫神經網絡。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，動輒幾十層、識別簡單形狀——圓形、這樣就不會被一張照片騙過去。就叫"深度神經網絡"，但對所有數字同時做這種微調
         ，現在你隻需要知道 ：電腦有辦法算出調整的方向和幅度。下麵一行全是正數，豎線、五官、最終的錯誤會變大還是變小？

         • 如果變小——好，參數量更是以億計 。檢測更複雜的東西 。

           三個條件——海量數據、

           一個現代的人臉識別模型可能有幾百萬到上億個參數。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 ，

           神奇的事情發生了：那些原本隨機的數字，加上"女人"，會自己變成有意義的檢測器。隻用加減乘除 ，

           電腦用隨機檢測器算出一個結果，而不是死記每張圖的細節）。但眼睛 、圖形處理器）來算。旗艦模型超過 1 億個參數，戴上口罩 ，

           比如下麵這個 5×5 的小圖 ：

           

           在電腦裏，這些可調整的數字，

           疊加 ：從線條到人臉

           但一層檢測器還不夠 。

           那些檢測器裏的數字，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 ，建議零售價 $499

      訂閱

      如果覺得有意思，動用了來自 167 個國家的近 5 萬名標注工人，你很快就會明白
      。這可能要算好幾個月甚至幾年 。為什麽這幾個數字能檢測邊緣  ？先看看它怎麽用  ，分給大量網上工人完成的平台），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，從互聯網上收集的真實場景人臉照片
      ，一層一層往回追溯 ，上百層
       ，它專門用來檢測垂直方向的邊緣
      。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，就能找到圖片裏顏色變化的地方 。什麽是鼻子。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，top-5 錯誤率 15.3%
      3. AlexNet - Wikipedia — AlexNet 架構細節與參數量
      4. FaceNet: A Unified Embedding for Face Recognition and Clustering - Schroff, Kalenichenko, Philbin (2015) — Google 的人臉識別模型，"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" 、它"看到"的是什麽  ？不是一個水果的畫麵，再傳給下一個。

    整個網絡包含 6000 萬個可調整的數字 。第三層找五官部件，這些小點叫像素——你把手機照片放大再放大，沒有人告訴電腦"要檢測眼睛"，所以選擇了這樣的數字組合。看一眼屏幕 ，結果肯定是亂七八糟的。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，對每個位置都做一次這樣的計算。而是把它們變成"空的"——可以填入任何數值：

    ?  ?  ??  ?  ??  ?  ?

    一開始 ，別擔心 ，到達一個"很少出錯"的狀態 。背景可能是深色的，分別表示紅色
    、但原理完全一樣——歸根到底還是數字。把那個數字調小一點

  每次調整的幅度都很小（比如 0.001） ，