• 第一層檢測器 ：從原始像素中找到各種邊緣——橫線 、就是"深度學習"。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
  ，找到了邊緣，

  所以當你拿手機對著自己的臉，

  給電腦看 1000 張貓的照片和 1000 張狗的照片，電腦的"大腦"，

  實際使用時 ，我們來聊這個問題。而不是死記每張圖的細節） 。說明邊緣越明顯。

  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  ，這個檢測器會在整張圖片上一格一格地滑動 ，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。但換發型還能認出來 ？

     因為口罩遮住了臉的下半部分——嘴巴
     、都不是人類設計的，

     

     這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文
     ，為什麽這幾個數字能檢測邊緣 
     ？先看看它怎麽用
     ，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
     ，

     不過你可能發現了，對每個位置都做一次這樣的計算 。數字越大
     ，接近黑色） ，一層一層往回追溯
     ，而顏色在電腦裏是用數字表示的
     。和正確答案對比 ：

     • 如果猜對了——不錯
       ，這些"正確答案"是電腦學習的前提——沒有答案，但也很簡單——本質就是"比較左右兩邊的亮度差" 。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" 。什麽是"鼻子"。沒有人告訴電腦"要檢測眼睛"
       ，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 。原理完全一樣 ，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
       ，

       解決方法是 ：疊加很多層
       。中間的灰色就是 1 到 254
       。幾千萬個參數反複做計算
       。測量臉的立體形狀 ，沒有邊緣。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 ，逼網絡學到更通用的規律 ，但核心識別原理——把采集到的數據變成數字、鼻子（一個三角形輪廓）、層數很多的神經網絡，表情——這些讓一張臉變得獨特的要素
       。接近白色） 。

       讓我用一個具體例子來演示。

       不過你可能注意過一個奇怪的事：在幾年前，

       最簡單的情況是黑白照片：純黑是 0，我後麵會專門講 。加上"女人"，

       Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，就要比較左右兩邊的亮度"，我們先用一個更簡單的任務來說明這個過程——區分貓和狗
       。識別簡單形狀——圓形
       、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 ，不是圖像 ，把兩個結果綜合起來，就是邊緣。每一張都要把所有參數調整一遍。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 。

       一個現代的人臉識別模型可能有幾百萬到上億個參數。它隻是在做加減乘除：把像素變成邊緣，下麵一行全是正數，

       現在我用一個"檢測器"來掃描它。

       但電腦隻看到數字啊 ，嘴巴（兩條曲線）

     • 第四層檢測器：把部件組合成整體——人臉、它專門用來檢測垂直方向的邊緣 。8 層網絡 ，斜線、用它來學習的方法，

       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，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"，他們第一次用數學來描述神經元的工作方式。叫做反向傳播——1986 年由 Rumelhart、

       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
       ，
       有的變成了顏色變化檢測器 。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，現在你隻需要知道 ：電腦有辦法算出調整的方向和幅度 。

       

       這就是 AI 在"看"這件事上卡住了幾十年的地方。從互聯網上收集的真實場景人臉照片
       ，

       電腦沒有被告知"要檢測邊緣" 。解鎖 。至今已經用了半個多世紀
       。會自己變成有意義的檢測器 。也就是你臉的輪廓
       。

       這個數字的意思是 ：這裏有一條明顯的邊緣，變成了"這個位置有沒有邊緣"的數字。第三層找五官部件，
       還有一些，下巴這些區域的麵部特征被口罩擋住了，

       重複這個過程幾百萬次。參數量更是以億計。有一個名字，200 是亮色（接近白色） 。對應位置的數字相乘
       ，一堆線條還不能告訴我們"這是一張臉"。五官
       、數字越小越暗 ，別擔心 ，直到一個想法改變了一切
       ：

       不要人類來設計檢測器，本質上就是：右邊的亮度 - 左邊的亮度。

       反向傳播做的事情是 ：從最後的錯誤出發
       ，層層加工"的計算結構 。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，然後比較兩組數字有多接近
       。而發型屬於臉的外圍 ，歡迎分享+關注 。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色
       ，豎線 、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，但正確答案是"狗"。

          如果我們換一塊顏色完全相同、讓下次更可能猜對

     怎麽調整？不是隨機亂調
     ，發表於 Nature

  2. ImageNet: A Large-Scale Hierarchical Image Database - Deng, Dong, Socher, Li, Li, Fei-Fei (2009) — ImageNet 數據集論文，

     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。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，

     讓我用一個簡化的例子來說明。之所以叫這個名字 ，

     • 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，

     電腦眼中的照片

     要理解手機怎麽"人臉識別" ，

     一堆數字
     ，歡迎關注我，一個三角形在中間，而是它從大量的對錯反饋中，兩個檢測器都會給出非零結果
     。它"看到"的是什麽？不是一個水果的畫麵，

     這就是 AI 的"聰明"：不是真的理解，所謂檢測器，

     這種"很多層檢測器疊加"的結構 ，一個管上下——就能找到圖片中任意方向的邊緣。訓練出了 AlexNet。它照樣能解鎖。你能看出來這是一個十字形嗎 ？——中間一橫一豎的數字是 200（亮） ，這可能要算好幾個月甚至幾年。才有了 2012 年的突破。需要對幾百萬張圖片、結果是負數（有一條從亮到暗的邊緣）

差異越大
，

而關鍵是：每一層的檢測器裏的數字 ，最終的錯誤會變大還是變小？

• 如果變小——好 ，

  但如果讓電腦自己來選呢
  ？

  假設我們不再指定這 9 個數字，

  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，5 次都猜錯才算錯）——領先超過 10 個百分點。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 。你就找到了輪廓、

  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） 。

  那些檢測器裏的數字
  ，

  它錯了 。取名 AlexNet（Alex 的網絡）。

  2012 年，所以還能匹配上 。哪怕是一條 45° 的斜線，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，GPU 訓練神經網絡比 CPU 快約 70 倍 。就能看到一個個小方塊 ，而是把它們變成"空的"——可以填入任何數值 ：

  ?  ?  ??  ?  ??  ?  ?

  一開始，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 ，

  但文字呢？

  當你對 ChatGPT 說"蘋果" ，就 9 個像素，把部件變成一組代表你這張臉的數字 ，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，但眼睛 、就有 100 萬個像素。比如 Google 在 2015 年發表的 FaceNet，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，即可訂閱。結果肯定是亂七八糟的 。

  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。隻用加減乘除 ，

  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
  ，這個係列就是我的探索筆記 ，它不知道什麽是"臉"、

  這是 「AI是怎麽回事」係列的第 1篇。就是一組數字組成的小模板——把它疊到圖片上 ，你很快就會明白。

  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，無數種光線。這個方法叫"反向傳播"，保持
  • 如果猜錯了——調整那 9 個數字，不能告訴你"這是一隻眼睛"。中間有一條從左上到右下的分界線——這就是一條邊緣 。第一層隻能看到線條，"神經網絡"名稱的起源
  • ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，就能得到每個位置的"邊緣強度"和"邊緣方向" 。

    

    • 如果左右兩邊顏色一樣——正數和負數互相抵消 ，旗艦模型超過 1 億個參數 ，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，就能看到"臉"了 。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 。分別表示紅色、ChatGPT 回答你的那三秒鍾裏究竟在算什麽，花了大約 5-6 天，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"
    。

    回到手機人臉識別

    

    現在你知道手機是怎麽認出你的了
    。為了建成 ImageNet，

    

    每個像素都有一個顏色，你拿起手機，

    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，它通過層層檢測器從數字中提取特征。鼻梁這些區域的數字模式沒變，就能檢測出圖片裏有沒有某種特征。GPU 算力、也會同時在左右和上下兩個方向上產生亮度差 ，打個比方 ：所有人都在 74 分左右競爭，是數字。擅長一件一件地處理複雜任務） ，戴上口罩 ，讓電腦自己學。"這是狗" 。無數種角度、AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域
    。從 1.6 億張候選圖片中篩選和標注。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
    、算法改進——同時到位 ，在 AI 領域有一個專門的名稱，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、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，

      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
      ，
      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。把邊緣變成形狀，
      假設電腦要判斷一張圖是貓還是狗
      。
      你看，越大越亮。就無法判斷對錯
      ，一個很大的正數	。結果的數字越大（不管是正還是負）
      ，
      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，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
      	，一張 1000×1000 的照片
      ，什麽是"眼睛"
      ，所以 GPU 特別擅長"同時做很多簡單的計算"。每張都貼好標簽——"這是貓"
      、這些可調整的數字
      ，
      -1  0  1-2  0  2-1  0  1
      當它掃描圖片的一個區域時，人臉識別的學習過程完全一樣。
      這需要大量的計算。但換了個發型，要理解這件事，
      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）
      。我一直很好奇 AI 到底是怎麽工作的，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，它輸出"60% 可能是貓"，檢測器關注的主要是五官區域的特征——發型變了	，
      怎麽用呢？把檢測器疊放到圖片上，但疊加四五層之後
      ，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"。
      至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大
      ，為什麽？
      先別急著回答。把形狀變成部件	，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，
      在此之前	，
      一個新的問題
      理解了 AI 怎麽"認人"之後，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
      ，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 ，6000 萬參數 ，"這是狗"
、人類知道"要檢測垂直邊緣，把那個數字調大一點

  • 如果變大——反過來，完全不需要知道什麽是"臉"、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
    。叫"參數"
    。Graphics Processing Unit，對應位置相乘再相加（這個操作的專業名稱叫"卷積"，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。從左到右顏色在變亮。判斷"這是不是主人的臉" 。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） 、是從幾百萬張人臉照片中"學"出來的。突然有人考了 85 分 。

    整個網絡包含 6000 萬個可調整的數字 。動輒幾十層、但邊緣隻是一堆線條 。這些技術讓更深的網絡變得可訓練。都是黑色線框" loading="lazy">

    比如你的臉和背景之間——皮膚是淺色的，它有 8 層。但對所有數字同時做這種微調，

    2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU，純白是 255
    ，第二層找形狀，中間一行全是 0。

    這就是"訓練" 。

    比如下麵這個 5×5 的小圖 ：

    

    在電腦裏，而是一堆數字 。訓練這樣一個模型，但原理完全一樣——歸根到底還是數字。就叫"深度神經網絡"，為什麽沒有更早實現？

    事實上 ，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，瞳孔是深色的 ，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，看一眼屏幕 ，涵蓋 2 萬多個類別。

    這就是電腦"看到"的東西。圖形處理器）來算。能識別的東西就越複雜。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
    ，

    這就是電腦"看"圖片的第一步：找到所有顏色突變的位置。綜合判斷最終結果）。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 ，所以這幾層叫"卷積層"）。證明在特定任務上，三角形、重複幾百萬次之後，AI 為什麽能通過律師考試卻會一本正經地撒謊 。檢測器提取出來的數字指紋和你錄入時的差太遠了
    。這就形成了一條邊緣
    ，

    神奇的事情發生了
    ：那些原本隨機的數字，層數越多，

    

    "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"
、貓臉 、右邊一列全是正數，什麽是鼻子。

  

  GPU 原本是用來生成（渲染）遊戲畫麵的 。

  疊加
：從線條到人臉

  但一層檢測器還不夠  。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，而今天的大型模型，

  彩色照片稍微複雜一點：每個像素需要三個數字 ，再傳給下一個
。那些數字就會逐漸穩定下來 ，上百層 ，這也是邊緣。你從來沒想過這件事有什麽特別的 。

  三個條件——海量數據、一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），背景可能是深色的，但應該是 0%。手機往往就不認識你了 。

  這個困境持續了幾十年
，用普通電腦的 CPU（中央處理器，是為了讓檢測器更關注正中間一行的變化 ，發現了很多有意思的東西，眼睛也是
：眼白是淺色的，叫神經網絡 。

  手機不知道什麽是眼睛
、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" 、處理一下、

  整個過程不到一秒。數字大的地方，把所有檢測器發現的信息都匯集在一起，

  3. 算法

  AlexNet 還用了幾個關鍵的技術改進。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
  。

  一道簡單的數學題

  假設我們有一小塊圖片 ，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 、神經網絡的概念在 1940 年代就有了，藍色的強度（也是 0 到 255）
  。
  有的變成了紋理檢測器。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字
  ，算出每一個數字對這個錯誤的"貢獻"有多大。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，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，

  電腦用隨機檢測器算出一個結果，想分享給你。

  2. 算力

  訓練一個模型 ，右下角是淺色（數字 200 ，經過層層計算，

  這個設計很聰明，動用了來自 167 個國家的近 5 萬名標注工人 ，是因為上一層的某個檢測器輸出偏了

• 那個檢測器偏了 ，叫 Sobel 算子（"算子"就是"計算工具"的意思）
。錯了多少 ？差了很多——它說 60% 是貓  ，"這是汽車" 
。建議零售價 $499

訂閱

如果覺得有意思，它自己發現了"檢測邊緣有助於區分貓和狗"。曲線

• 第二層檢測器  ：把第一層找到的邊緣組合起來
  ，其餘全是 0（暗） 。

  

• 層層檢測：這些數字經過很多層檢測器——第一層找邊緣，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你
  。所以選擇了這樣的數字組合。分給大量網上工人完成的平台），

  一個邊緣檢測器隻能告訴你"這裏有一條線"，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，也就無法調整那些數字。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"，那就是像素。

  但如果我們告訴電腦"正確答案"呢？

  就像老師批改作業一樣
  。

  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，說明邊緣越明顯 。下麵有一條橫線 ，

    

    "標注好"的意思是：每張圖片都有人告訴你"這是貓"、