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。說明邊緣越明顯。中間有一條從左上到右下的分界線——這就是一條邊緣 。斜線 、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，層數很多的神經網絡，後續文章也會持續更新 。"這是狗"、哪怕是一條 45° 的斜線，但永遠覆蓋不了真實世界的複雜性。經過層層計算，這些技術讓更深的網絡變得可訓練。從 1.6 億張候選圖片中篩選和標注。不是圖像，是因為上一層的某個檢測器輸出偏了

怎麽用呢
？把檢測器疊放到圖片上 ，戴上口罩
，

GPU 原本是用來生成（渲染）遊戲畫麵的。結果的數字越大（不管是正還是負），它專門用來檢測垂直方向的邊緣
。嘴巴（兩條曲線）

但如果我們告訴電腦"正確答案"呢？

就像老師批改作業一樣。也會同時在左右和上下兩個方向上產生亮度差，

三個條件——海量數據 、就要比較左右兩邊的亮度"，把兩個結果綜合起來，叫神經網絡。

讓我用一個簡化的例子來說明  。和正確答案對比：

• 如果猜對了——不錯 ，"神經網絡"名稱的起源
• ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，這也是邊緣。旗艦模型超過 1 億個參數 ，6000 萬參數，

  3. 算法

  AlexNet 還用了幾個關鍵的技術改進
  。

  它錯了。8 層網絡，

  在此之前，就能得到每個位置的"邊緣強度"和"邊緣方向"。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，

  這個數字的意思是
  ：這裏有一條明顯的邊緣 ，下麵一行全是正數，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 。就有 100 萬個像素。把所有檢測器發現的信息都匯集在一起，都不是人類設計的，歡迎分享+關注
  。把邊緣變成形狀
  ，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊 、叫做反向傳播——1986 年由 Rumelhart、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 ，訓練出了 AlexNet。其餘全是 0（暗）。什麽是鼻子
   。沒有人告訴電腦"要檢測眼睛"，接近黑色），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，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，是電腦自己從數據裏學出來的。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。綠色、叫 Sobel 算子（"算子"就是"計算工具"的意思）。變成了"這個位置有沒有邊緣"的數字 。

電腦沒有被告知"要檢測邊緣" 。神經網絡的概念在 1940 年代就有了，錯了多少？差了很多——它說 60% 是貓，逼網絡學到更通用的規律，

這個設計很聰明 ，

但電腦隻看到數字啊 ，top-5 錯誤率 15.3%

要理解手機怎麽"人臉識別"，數字大的地方 ，它隻是在做加減乘除：把像素變成邊緣，

• 如果左右兩邊顏色一樣——正數和負數互相抵消，說明邊緣越明顯 。就是邊緣。Graphics Processing Unit，看一眼屏幕，能識別的東西就越複雜。建議零售價 $499

訂閱

如果覺得有意思，

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 ，三角形 、也就是你臉的輪廓 。

  整個網絡包含 6000 萬個可調整的數字 。取名 AlexNet（Alex 的網絡）
  。就能檢測出圖片裏有沒有某種特征。我一直很好奇 AI 到底是怎麽工作的 ，

  現在我用一個"檢測器"來掃描它 。人臉識別的學習過程完全一樣
  。把部件變成一組代表你這張臉的數字，花了大約 5-6 天  ，檢測更複雜的東西
  。讓檢測結果更穩定 。

  回到手機人臉識別

  

  現在你知道手機是怎麽認出你的了 。手機往往就不認識你了 。沒有邊緣 。突然有人考了 85 分。就能看到"臉"了。

  讓我用一個具體例子來演示。

  所以當你拿手機對著自己的臉 ，最終的錯誤會變大還是變小？

  • 如果變小——好，就叫"深度神經網絡" ，而顏色在電腦裏是用數字表示的。那些數字就會逐漸穩定下來，最終這個數據集包含了超過 1400 萬張標注好的圖片，

    一個現代的人臉識別模型可能有幾百萬到上億個參數。但邊緣隻是一堆線條。ChatGPT 回答你的那三秒鍾裏究竟在算什麽
    ，這個係列就是我的探索筆記，

    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） 。就是一組數字組成的小模板——把它疊到圖片上
    ，

    

    這就是 AI 在"看"這件事上卡住了幾十年的地方。隨機填一組數字，

    這就是"學習"的本質：不是有人教了它規則 ，動輒幾十層 、至今已經用了半個多世紀 。他們第一次用數學來描述神經元的工作方式。這就形成了一條邊緣，測量臉的立體形狀 ，現在你隻需要知道 
    ：電腦有辦法算出調整的方向和幅度。是為了讓檢測器更關注正中間一行的變化，別擔心  ，背景可能是深色的，

    

    每天早上，無數種光線。而是把它們變成"空的"——可以填入任何數值：

    ?  ?  ??  ?  ??  ?  ?

    一開始
    ，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，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  、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
  ，但換發型還能認出來 ？

  因為口罩遮住了臉的下半部分——嘴巴 、數字越大，五官 、你會看到一個讓我非常震撼的例子 ："國王"減去"男人" ，人類知道"要檢測垂直邊緣 ，什麽是"眼睛" 。純白是 255 ，

  神奇的事情發生了：那些原本隨機的數字，對每個位置都做一次這樣的計算。斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文 ，分別表示紅色、這些"正確答案"是電腦學習的前提——沒有答案 ，就能找到圖片裏顏色變化的地方 。

  這種"很多層檢測器疊加"的結構，算法改進——同時到位，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）、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
  ，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，檢測器關注的主要是五官區域的特征——發型變了，它通過層層檢測器從數字中提取特征 。自己找到了有用的規律。

  電腦用隨機檢測器算出一個結果 ，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，用普通電腦的 CPU（中央處理器 ，

  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
  ，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。本質上就是：右邊的亮度 - 左邊的亮度
  。"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"、也就無法調整那些數字。"這是汽車" 
。

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

當它掃描圖片的一個區域時
，

這就是"訓練"。你很快就會明白
。接近白色）。但正確答案是"狗"。

而關鍵是：每一層的檢測器裏的數字 ，我們先用一個更簡單的任務來說明這個過程——區分貓和狗。擅長一件一件地處理複雜任務），我們來聊這個問題 。

• 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
，

整個過程不到一秒。它輸出"60% 可能是貓"
，一個三角形在中間  ，什麽是"眼睛"，第一層隻能看到線條，

一個新的問題

理解了 AI 怎麽"認人"之後 ，

彩色照片稍微複雜一點：每個像素需要三個數字
，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，涵蓋 2 萬多個類別。GPU 算力 、"這是狗"。解鎖
。

Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580 ，

不過你可能發現了，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。加上"女人"，

仔細看這個檢測器的結構：左邊一列全是負數
，叫"參數"
。

最簡單的情況是黑白照片：純黑是 0 ，

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
，
還有一些 ，

這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。

至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，中間一列全是 0。一堆線條還不能告訴我們"這是一張臉" 。GPU 訓練神經網絡比 CPU 快約 70 倍 。下巴這些區域的麵部特征被口罩擋住了，
有的變成了顏色變化檢測器。

疊加：從線條到人臉

但一層檢測器還不夠 。

這個困境持續了幾十年，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"。

邊緣勾勒出了圖片裏"有東西"的地方。



每個像素都有一個顏色 ，分給大量網上工人完成的平台） ，

2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU，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 ，

   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
   。

   這是 「AI是怎麽回事」係列的第 1篇。從互聯網上收集的真實場景人臉照片，檢測器提取出來的數字指紋和你錄入時的差太遠了。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 。是數字。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字 ，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"。原理完全一樣 ，但對所有數字同時做這種微調，是從幾百萬張人臉照片中"學"出來的。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，

   比如下麵這個 5×5 的小圖 ：

   

   在電腦裏，為了建成 ImageNet
   ，這樣就不會被一張照片騙過去。識別簡單形狀——圓形、所以選擇了這樣的數字組合 。

   手機不知道什麽是眼睛、它"看到"的是什麽？不是一個水果的畫麵，把那個數字調小一點

每次調整的幅度都很小（比如 0.001） ，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞 、讓電腦自己學 。

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。層層加工"的計算結構
。參數量更是以億計。每張都貼好標簽——"這是貓"、歡迎關注我
，這可能要算好幾個月甚至幾年。

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，一個很大的正數。

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。

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 ，你拿起手機，再傳給下一個 。它有 8 層 。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 ，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，

  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 、

    假設電腦要判斷一張圖是貓還是狗 。當時售價 499 美元），表情——這些讓一張臉變得獨特的要素。

    不過你可能注意過一個奇怪的事：在幾年前 ，它自己發現了"檢測邊緣有助於區分貓和狗" 。

    這就是電腦"看到"的東西。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，

    但文字呢？

    當你對 ChatGPT 說"蘋果"，

    那次突破有多震撼？在 ImageNet 圖像識別比賽中 ，需要給電腦看幾百萬張人臉照片，它不知道什麽是"臉"、就 9 個像素 ，

    2. 算力

    訓練一個模型 ，綜合判斷最終結果）。第二層找形狀，隻用加減乘除，

    那些檢測器裏的數字
    ，就能看到一個個小方塊，電腦的"大腦"，

    實際使用時 ，藍色的強度（也是 0 到 255）。為什麽沒有更早實現？

    事實上，

    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 ，下麵有一條橫線 ，要理解這件事 ，然後比較兩組數字有多接近  。而不是死記每張圖的細節）。圖形處理器）來算。重複幾百萬次之後 ，結果是 0（沒有邊緣）
    2. 如果右邊比左邊亮——正數那邊貢獻更大 ，保持
    3. 如果猜錯了——調整那 9 個數字，從左到右顏色在變亮。對應位置的數字相乘 ，完全不需要知道什麽是"臉"、

       你看 ，無數種角度、這些小點叫像素——你把手機照片放大再放大，一張 1000×1000 的照片 ，對應位置相乘再相加（這個操作的專業名稱叫"卷積" ，

       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，一個管上下——就能找到圖片中任意方向的邊緣 。你就找到了輪廓 、直到一個想法改變了一切：

       不要人類來設計檢測器，判斷"這是不是主人的臉"。你從來沒想過這件事有什麽特別的 。什麽是"鼻子"。中間一行全是 0 。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 。為什麽？

       先別急著回答 。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" ，這個檢測器會在整張圖片上一格一格地滑動，

       

       這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文 ，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、斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集 。之所以叫這個名字 ，會自己變成有意義的檢測器 。但也很簡單——本質就是"比較左右兩邊的亮度差"。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。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，幾千萬個參數反複做計算。第三層找五官部件，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，動用了來自 167 個國家的近 5 萬名標注工人，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，200 是亮色（接近白色） 。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，

       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，所以還能匹配上。而是一堆數字。為什麽這幾個數字能檢測邊緣 ？先看看它怎麽用 ，

       如果我們換一塊顏色完全相同、但原理完全一樣——歸根到底還是數字 。

       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）
       。

       這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置。這個方法叫"反向傳播"，右下角是淺色（數字 200，發現了很多有意思的東西，

       反向傳播做的事情是：從最後的錯誤出發 ，眼睛也是：眼白是淺色的，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，用它來學習的方法 ，而是它從大量的對錯反饋中，想分享給你。發表於 Nature

    5. ImageNet: A Large-Scale Hierarchical Image Database - Deng, Dong, Socher, Li, Li, Fei-Fei (2009) — ImageNet 數據集論文  ，處理一下、它照樣能解鎖 。

       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，一層一層往回追溯，瞳孔是深色的，算出每一個數字對這個錯誤的"貢獻"有多大。一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），

       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，越大越亮。就無法判斷對錯，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率 。層層疊加

    6. 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"，讓下次更可能猜對

  怎麽調整 ？不是隨機亂調，有一個名字，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 ，

  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，但換了個發型，每一張都要把所有參數調整一遍
  。然後全部加起來。

  2009 年 ，但應該是 0%。覺得不錯的話 ，反向傳播算法在 1986 年就發表了 。

  

  一道簡單的數學題

  假設我們有一小塊圖片，右邊一列全是正數，

  解決方法是：疊加很多層 。所謂檢測器 ，但眼睛 、結果是負數（有一條從亮到暗的邊緣）

差異越大，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 ，而今天的大型模型，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，比如 Google 在 2015 年發表的 FaceNet ，所以 GPU 特別擅長"同時做很多簡單的計算" 。

但如果讓電腦自己來選呢？

假設我們不再指定這 9 個數字，