那些檢測器裏的聪明从手數字，把部件變成一組代表你這張臉的机人數字，就是脸识一組數字組成的小模板——把它疊到圖片上，表情——這些讓一張臉變得獨特的别说要素 。用普通電腦的 CPU（中央處理器，當時售價 499 美元），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"眼睛"，

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

一個邊緣檢測器隻能告訴你"這裏有一條線"，200 是亮色（接近白色） 。

這個困境持續了幾十年，就能找到圖片裏顏色變化的地方。現在你隻需要知道：電腦有辦法算出調整的方向和幅度。但換發型還能認出來？

因為口罩遮住了臉的下半部分——嘴巴、和正確答案對比：

• 如果猜對了——不錯，而顏色在電腦裏是用數字表示的。

  整個網絡包含 6000 萬個可調整的數字 。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，AI 為什麽能通過律師考試卻會一本正經地撒謊。

  3. 算法

  AlexNet 還用了幾個關鍵的技術改進 。接近黑色），然後比較兩組數字有多接近 。保持

• 如果猜錯了——調整那 9 個數字，

  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） 。我一直很好奇 AI 到底是怎麽工作的，檢測器提取出來的數字指紋和你錄入時的差太遠了。

  • 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  ，中間有一條從左上到右下的分界線——這就是一條邊緣
  。但眼睛、鼻子（一個三角形輪廓）、

  疊加
  ：從線條到人臉

  但一層檢測器還不夠。所以選擇了這樣的數字組合 。後續文章也會持續更新。貓臉、中間的灰色就是 1 到 254
  。用它來學習的方法，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，

  但如果我們告訴電腦"正確答案"呢？

  就像老師批改作業一樣。人類知道"要檢測垂直邊緣
  ，

  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 ，原理完全一樣，叫做反向傳播——1986 年由 Rumelhart
  、

  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）。而是它從大量的對錯反饋中
  ，但邊緣隻是一堆線條 。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 ，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，花了大約 5-6 天，旗艦模型超過 1 億個參數，

  那次突破有多震撼？在 ImageNet 圖像識別比賽中 ，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，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，就能看到"臉"了 。沒有人花這麽大力氣去收集和標注這麽多圖片。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，數字越小越暗，都是黑色線框" loading="lazy">

  比如你的臉和背景之間——皮膚是淺色的 ，

  這個數字的意思是  ：這裏有一條明顯的邊緣，說明邊緣越明顯 。

  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
    ，所以還能匹配上。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。瞳孔是深色的，這也是邊緣。右邊一列全是正數，但永遠覆蓋不了真實世界的複雜性。它專門用來檢測垂直方向的邊緣
    。

    這需要大量的計算。是電腦自己從數據裏學出來的。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，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，數字越大，覺得不錯的話，眼睛也是
    ：眼白是淺色的，把形狀變成部件，

    但如果讓電腦自己來選呢？

    假設我們不再指定這 9 個數字，這些"正確答案"是電腦學習的前提——沒有答案，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。它"看到"的是什麽？不是一個水果的畫麵，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"、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，判斷"這是不是主人的臉"。看一眼屏幕  ，

    這就是"訓練"。

    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，所以這幾層叫"卷積層"）
    。不能告訴你"這是一隻眼睛"。就叫"深度神經網絡"	，發現了很多有意思的東西
    ，歡迎關注我
    ，五官、沒有邊緣	。
    2. 算力
    訓練一個模型，一個很大的正數。
    GPU 原本是用來生成（渲染）遊戲畫麵的。上百層，需要對幾百萬張圖片、能識別的東西就越複雜
    。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，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、是從幾百萬張人臉照片中"學"出來的。就 9 個像素
    ，
    不過你可能發現了，要理解這件事，
    一堆數字，不是圖像
    ，第三層找五官部件，綠色
    	、但疊加四五層之後
    ，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，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
    。然後全部加起來
    	。這個係列就是我的探索筆記，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。逼網絡學到更通用的規律，結果的數字越大（不管是正還是負）	
    ，
    每天早上，動用了來自 167 個國家的近 5 萬名標注工人，層層加工"的計算結構。
    電腦沒有被告知"要檢測邊緣"
    。
    邊緣勾勒出了圖片裏"有東西"的地方。對應位置相乘再相加（這個操作的專業名稱叫"卷積"，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"，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、訓練這樣一個模型，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 。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊 、下麵一行全是正數
    ，

    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。

    

    • 如果左右兩邊顏色一樣——正數和負數互相抵消，每張都貼好標簽——"這是貓" 、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，下麵有一條橫線，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，他們第一次用數學來描述神經元的工作方式。

      假設電腦要判斷一張圖是貓還是狗。

      一個人的臉可以有無數種表情
      、把那個數字調小一點

    每次調整的幅度都很小（比如 0.001） ，就是邊緣 。背景可能是深色的 ，

    回到手機人臉識別

    

    現在你知道手機是怎麽認出你的了
    。

    這就是電腦"看到"的東西。豎線
    、到達一個"很少出錯"的狀態。動輒幾十層、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。

    這就是"學習"的本質：不是有人教了它規則 ，

    一個新的問題

    理解了 AI 怎麽"認人"之後 ，反向傳播算法在 1986 年就發表了。從左到右顏色在變亮。都不是人類設計的，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 ，"神經網絡"名稱的起源

  • ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文
    ，

    讓我用一個簡化的例子來說明。

    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。也會同時在左右和上下兩個方向上產生亮度差 ，

    反向傳播做的事情是 ：從最後的錯誤出發，它隻是在做加減乘除
    ：把像素變成邊緣，純白是 255 ，它輸出"60% 可能是貓"，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，斜線 
    、為什麽這幾個數字能檢測邊緣？先看看它怎麽用 ，幾千萬個參數反複做計算
    。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）、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"，你會看到一個讓我非常震撼的例子
    ："國王"減去"男人"，隻用加減乘除，這個方法叫"反向傳播"
    ，從互聯網上收集的真實場景人臉照片，

    2012 年，

    彩色照片稍微複雜一點 ：每個像素需要三個數字，需要給電腦看幾百萬張人臉照片，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，但核心識別原理——把采集到的數據變成數字、參數量更是以億計
    。
    還有一些，擅長一件一件地處理複雜任務），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 ，隨機填一組數字，藍色的強度（也是 0 到 255） 。人臉識別的學習過程完全一樣 。那就是像素 。這些可調整的數字
    ，為什麽？

    先別急著回答
    。結果是負數（有一條從亮到暗的邊緣）

  差異越大，重複幾百萬次之後，把兩個結果綜合起來，之所以叫這個名字
，

  你看 ，

  手機不知道什麽是眼睛 、說明邊緣越明顯 。什麽是"鼻子" 。本質上就是：右邊的亮度 - 左邊的亮度 。

  比如下麵這個 5×5 的小圖：

  

  在電腦裏，每一張都要把所有參數調整一遍。但原理完全一樣——歸根到底還是數字。

  

  每個像素都有一個顏色，

  怎麽用呢？把檢測器疊放到圖片上，

  最簡單的情況是黑白照片：純黑是 0 ，就是"深度學習" 。無數種角度 、對每個位置都做一次這樣的計算。就能得到每個位置的"邊緣強度"和"邊緣方向"。

  重複這個過程幾百萬次。它照樣能解鎖 。Graphics Processing Unit ，比如，涵蓋 2 萬多個類別 。建議零售價 $499

訂閱

如果覺得有意思 ，為了建成 ImageNet ，分別表示紅色、

解決方法是
：疊加很多層。至今已經用了半個多世紀 。

一個現代的人臉識別模型可能有幾百萬到上億個參數 。但應該是 0%
。直到一個想法改變了一切 ：

不要人類來設計檢測器，讓下次更可能猜對

怎麽調整？不是隨機亂調 ，別擔心 ，但對所有數字同時做這種微調，8 層網絡
，綜合判斷最終結果）
。從 1.6 億張候選圖片中篩選和標注。我後麵會專門講。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，變成了"這個位置有沒有邊緣"的數字
。錯了多少 ？差了很多——它說 60% 是貓，而是把它們變成"空的"——可以填入任何數值：

?  ?  ??  ?  ??  ?  ?

一開始 ，讓電腦自己學 。

這就是電腦"看"圖片的第一步：找到所有顏色突變的位置。

給電腦看 1000 張貓的照片和 1000 張狗的照片  ，"這是汽車"。鼻梁這些區域的數字模式沒變，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，結果肯定是亂七八糟的 。最終這個數據集包含了超過 1400 萬張標注好的圖片
，找到了邊緣 ，就要比較左右兩邊的亮度"
，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，你從來沒想過這件事有什麽特別的 。打個比方：所有人都在 74 分左右競爭 ，算出每一個數字對這個錯誤的"貢獻"有多大 。戴上口罩，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 ，叫神經網絡。

仔細看這個檢測器的結構 ：左邊一列全是負數 ，什麽是鼻子 。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 ，即可訂閱
。斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，處理一下
、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
，什麽是"眼睛" 。

這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起  。下巴這些區域的麵部特征被口罩擋住了 ，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，一個管上下——就能找到圖片中任意方向的邊緣 。

不過你可能注意過一個奇怪的事：在幾年前，電腦的"大腦"，自己找到了有用的規律。

它錯了。才有了 2012 年的突破 。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，

神奇的事情發生了：那些原本隨機的數字，第一層隻能看到線條
，它自己發現了"檢測邊緣有助於區分貓和狗"。



比如 Google 在 2015 年發表的 FaceNet
，

電腦用隨機檢測器算出一個結果，

現在我用一個"檢測器"來掃描它。"這是狗"、第二層找形狀 ，我們來聊這個問題。所謂檢測器，

這是 「AI是怎麽回事」係列的第 1篇。沒有人告訴電腦"要檢測眼睛"，層數很多的神經網絡 ，GPU 訓練神經網絡比 CPU 快約 70 倍 。而是一堆數字。那些數字就會逐漸穩定下來，在 AI 領域有一個專門的名稱 ，檢測器關注的主要是五官區域的特征——發型變了 ，"這是狗"。是因為上一層的某個檢測器輸出偏了

那個檢測器偏了 ，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 ，



第四層檢測器 ：把部件組合成整體——人臉
 、

而關鍵是：每一層的檢測器裏的數字 ，一層一層往回追溯 ，而不是死記每張圖的細節）。哪怕是一條 45° 的斜線 ，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，中間一行全是 0。解鎖 。這個檢測器會在整張圖片上一格一格地滑動 ，會自己變成有意義的檢測器
。檢測更複雜的東西
。

實際使用時，層數越多，無數種光線。

2009 年，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，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，

這就是 AI 的"聰明" ：不是真的理解，

如果我們換一塊顏色完全相同
、

在此之前 ，排成 3×3
：

10  10  1010  10 20010 200 200

左上角是深色（數字 10 ，再傳給下一個。一個三角形在中間，一張 1000×1000 的照片 ，訓練出了 AlexNet。
有的變成了顏色變化檢測器。

但電腦隻看到數字啊 ，這些小點叫像素——你把手機照片放大再放大 ，是為了讓檢測器更關注正中間一行的變化，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域
。你就找到了輪廓、

至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大
，

讓我用一個具體例子來演示。

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 ，神經網絡的概念在 1940 年代就有了，把邊緣變成形狀，讓檢測結果更穩定。

整個過程不到一秒。越大越亮
 。這就形成了一條邊緣，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度" 。它通過層層檢測器從數字中提取特征。但正確答案是"狗"。



這就是 AI 在"看"這件事上卡住了幾十年的地方。其餘全是 0（暗） 。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你 。算法改進——同時到位，

一道簡單的數學題

假設我們有一小塊圖片，接近白色） 。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" 。三角形、識別簡單形狀——圓形、它有 8 層 。就有 100 萬個像素。就無法判斷對錯 ，

這種"很多層檢測器疊加"的結構，

但文字呢？

當你對 ChatGPT 說"蘋果" ，

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 、右下角是淺色（數字 200 ，

  這個設計很聰明
  ，

  所以當你拿手機對著自己的臉
  ，對應位置的數字相乘，是數字。

  電腦眼中的照片

  要理解手機怎麽"人臉識別"，叫"參數" 。

  2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU ，也就是你臉的輪廓 。就能檢測出圖片裏有沒有某種特征 。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，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
  ，手機往往就不認識你了。

  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，

  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 。斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集
   。"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" 、叫 Sobel 算子（"算子"就是"計算工具"的意思）。曲線

第二層檢測器 ：把第一層找到的邊緣組合起來，結果是 0（沒有邊緣）

如果右邊比左邊亮——正數那邊貢獻更大 ，這可能要算好幾個月甚至幾年。



這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文 ，但換了個發型，GPU 算力 
、

三個條件——海量數據、加上"女人"，5 次都猜錯才算錯）——領先超過 10 個百分點。它不知道什麽是"臉" 、圖形處理器）來算。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  。分給大量網上工人完成的平台），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"
。所以 GPU 特別擅長"同時做很多簡單的計算"。取名 AlexNet（Alex 的網絡）。有一個名字 ，

"標注好"的意思是
 ：每張圖片都有人告訴你"這是貓"、

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，你拿起手機，證明在特定任務上，汽車