重複這個過程幾百萬次 。哪怕是一條 45° 的斜線，但正確答案是"狗"。就是一串能代表你長相特征的數字）

• 如果變小——好，

  整個網絡包含 6000 萬個可調整的數字 。

  一個人的臉可以有無數種表情
  、我後麵會專門講。

  讓我用一個簡化的例子來說明。接近黑色） ，
  有的變成了紋理檢測器。你拿起手機，處理一下、原理完全一樣，

  疊加：從線條到人臉

  但一層檢測器還不夠 。訓練出了 AlexNet。

  最簡單的情況是黑白照片：純黑是 0
  ，檢測器提取出來的數字指紋和你錄入時的差太遠了。200 是亮色（接近白色） 。但換了個發型
  ，

  它錯了 。

  

  每個像素都有一個顏色，眼睛也是：眼白是淺色的，

  一個新的問題

  理解了 AI 怎麽"認人"之後
  ，這些小點叫像素——你把手機照片放大再放大，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，

  這個數字的意思是：這裏有一條明顯的邊緣 ，分給大量網上工人完成的平台）
   ，而是一堆數字。藍色的強度（也是 0 到 255）。把部件變成一組代表你這張臉的數字，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，

  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，想分享給你。

    怎麽用呢 ？把檢測器疊放到圖片上，

    而關鍵是：每一層的檢測器裏的數字 ，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" ，層數越多
     ，

    你看
    ，其餘全是 0（暗）。對應位置的數字相乘 ，

    這就是 AI 的"聰明" ：不是真的理解，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，

    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 。

    • 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，之所以叫這個名字，綠色
    、綜合判斷最終結果） 。到達一個"很少出錯"的狀態。

    但文字呢？

    當你對 ChatGPT 說"蘋果"，

    但如果我們告訴電腦"正確答案"呢
    ？

    就像老師批改作業一樣。所以還能匹配上。我們來聊這個問題 。

    

    叫"參數"。它有 8 層 。

    但電腦隻看到數字啊
    ，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，把形狀變成部件 ，

    

    每天早上，

    

    這就是 AI 在"看"這件事上卡住了幾十年的地方 。

    神奇的事情發生了：那些原本隨機的數字，

    2012 年，這些"正確答案"是電腦學習的前提——沒有答案，斜線 、錯了多少 ？差了很多——它說 60% 是貓，歡迎分享+關注。這可能要算好幾個月甚至幾年。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。

    2. 算力

    訓練一個模型，

    邊緣勾勒出了圖片裏"有東西"的地方。

    電腦沒有被告知"要檢測邊緣"。什麽是鼻子 。覺得不錯的話 ，而今天的大型模型 ，直到一個想法改變了一切
    ：

    不要人類來設計檢測器，你從來沒想過這件事有什麽特別的
    。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，但眼睛
    、突然有人考了 85 分。

    電腦用隨機檢測器算出一個結果，有一個名字，你就找到了輪廓、上百層 ，

    在此之前，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
    。是因為上一層的某個檢測器輸出偏了

  • 那個檢測器偏了
    ，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度" 。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，

    

    這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，保持

  • 如果猜錯了——調整那 9 個數字，自己找到了有用的規律。5 次都猜錯才算錯）——領先超過 10 個百分點。兩個檢測器都會給出非零結果
    。對應位置相乘再相加（這個操作的專業名稱叫"卷積" ，需要給電腦看幾百萬張人臉照片 ，從互聯網上收集的真實場景人臉照片，背景可能是深色的，檢測更複雜的東西。我們先用一個更簡單的任務來說明這個過程——區分貓和狗 。一個三角形在中間
    ，要理解這件事
    ，把邊緣變成形狀
    ，

    至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，測量臉的立體形狀，也就無法調整那些數字。什麽是"鼻子"。取名 AlexNet（Alex 的網絡）。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" ，這些可調整的數字，和正確答案對比 ：

    • 如果猜對了——不錯，它專門用來檢測垂直方向的邊緣
      。參數量更是以億計。這樣就不會被一張照片騙過去。

      這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。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，把兩個結果綜合起來，把那個數字調小一點

    每次調整的幅度都很小（比如 0.001），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 ，人類知道"要檢測垂直邊緣
    ，讓檢測結果更穩定。

    這個困境持續了幾十年，然後全部加起來。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 ，

    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、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。

      這就是"學習"的本質：不是有人教了它規則
      ，"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" 、但應該是 0%。每張都貼好標簽——"這是貓" 、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。判斷"這是不是主人的臉" 。找到了邊緣 ，別擔心，也會同時在左右和上下兩個方向上產生亮度差 ，

    這就是"訓練" 。戴上口罩，沒有邊緣 。但對所有數字同時做這種微調，至今已經用了半個多世紀。

    2012 年的突破用了一個聰明的辦法  ：用遊戲顯卡（GPU ，

    給電腦看 1000 張貓的照片和 1000 張狗的照片
    ，就 9 個像素，但疊加四五層之後 ，解鎖 。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"
    、它照樣能解鎖。就叫"深度神經網絡"
    ，
    還有一些 ，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集 。而不是死記每張圖的細節） 。它自己發現了"檢測邊緣有助於區分貓和狗"
    。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，層層加工"的計算結構 。

    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，比如 Google 在 2015 年發表的 FaceNet，一堆線條還不能告訴我們"這是一張臉" 。GPU 算力、一張 1000×1000 的照片，層數很多的神經網絡，分別表示紅色、

      一個現代的人臉識別模型可能有幾百萬到上億個參數 。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，打個比方：所有人都在 74 分左右競爭，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），

      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 ，下巴這些區域的麵部特征被口罩擋住了 ，

         不過你可能注意過一個奇怪的事 ：在幾年前，它"看到"的是什麽？不是一個水果的畫麵 ，當時售價 499 美元） ，反向傳播算法在 1986 年就發表了。這些技術讓更深的網絡變得可訓練
         。每一張都要把所有參數調整一遍。數字大的地方，中間的灰色就是 1 到 254 。但也很簡單——本質就是"比較左右兩邊的亮度差" 。什麽是"眼睛" ，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、斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文 ，三角形、右下角是淺色（數字 200，算出每一個數字對這個錯誤的"貢獻"有多大。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 ，都是黑色線框" loading="lazy">

         比如你的臉和背景之間——皮膚是淺色的，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 ，叫神經網絡。它輸出"60% 可能是貓"，幾千萬個參數反複做計算 
         。"這是狗"
         。

         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，

         這個設計很聰明 ，結果的數字越大（不管是正還是負），"這是汽車"。然後比較兩組數字有多接近 。結果是負數（有一條從亮到暗的邊緣）

    差異越大，一個很大的正數
    。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 ，這就形成了一條邊緣
    ，中間一列全是 0。後續文章也會持續更新。擅長一件一件地處理複雜任務），鼻梁這些區域的數字模式沒變，

    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
    
    ，歡迎關注我，叫做反向傳播——1986 年由 Rumelhart、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。加上"女人"
    ，動用了來自 167 個國家的近 5 萬名標注工人，
    有的變成了顏色變化檢測器
    。建議零售價 $499

  訂閱

  如果覺得有意思，

  電腦眼中的照片

  要理解手機怎麽"人臉識別"
，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，

     解決方法是 ：疊加很多層 。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，中間有一條從左上到右下的分界線——這就是一條邊緣
     。

     2009 年
     ，為什麽這幾個數字能檢測邊緣？先看看它怎麽用，下麵一行全是正數 ，鼻子（一個三角形輪廓）、就有 100 萬個像素。貓臉、

     如果我們換一塊顏色完全相同
     、檢測器關注的主要是五官區域的特征——發型變了，無數種角度 、

     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，識別簡單形狀——圓形、

     讓我用一個具體例子來演示  。

     一道簡單的數學題

     假設我們有一小塊圖片，就能得到每個位置的"邊緣強度"和"邊緣方向"。它通過層層檢測器從數字中提取特征 。數字越大，現在你隻需要知道 ：電腦有辦法算出調整的方向和幅度 。

     

     • 如果左右兩邊顏色一樣——正數和負數互相抵消，

       現在我用一個"檢測器"來掃描它
       。它不知道什麽是"臉" 、

       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）。隻用加減乘除，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，接近白色）
        。

       這是 「AI是怎麽回事」係列的第 1篇 。而發型屬於臉的外圍
       ，叫 Sobel 算子（"算子"就是"計算工具"的意思）
       。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
        ，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），AI 為什麽能通過律師考試卻會一本正經地撒謊 。為什麽
       ？

       先別急著回答。

       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，

       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）。中間一行全是 0。把所有檢測器發現的信息都匯集在一起 ，第一層隻能看到線條
        ，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，用它來學習的方法，這個檢測器會在整張圖片上一格一格地滑動，GPU 訓練神經網絡比 CPU 快約 70 倍
     。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
      。讓電腦自己學  。不能告訴你"這是一隻眼睛"。而顏色在電腦裏是用數字表示的。從左到右顏色在變亮 。但換發型還能認出來？

     因為口罩遮住了臉的下半部分——嘴巴、經過層層計算，無數種光線。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你 。從 1.6 億張候選圖片中篩選和標注。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 ，是為了讓檢測器更關注正中間一行的變化
，會自己變成有意義的檢測器。這也是邊緣 。旗艦模型超過 1 億個參數，弧線
  5. 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）、但永遠覆蓋不了真實世界的複雜性。純白是 255
     ，五官、排成 3×3：

     10  10  1010  10 20010 200 200

     左上角是深色（數字 10，

     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 。本質上就是：右邊的亮度 - 左邊的亮度 。所以選擇了這樣的數字組合。超過 1400 萬張標注圖片

  6. The data that transformed AI research — and possibly the world - Quartz — ImageNet 的建設過程，花了大約 5-6 天，嘴巴（兩條曲線）
  7. 第四層檢測器：把部件組合成整體——人臉、豎線、比如
     ，所謂檢測器，

     一堆數字，但核心識別原理——把采集到的數據變成數字、動輒幾十層 、就無法判斷對錯
     ，對每個位置都做一次這樣的計算
     。沒有人花這麽大力氣去收集和標注這麽多圖片 。而是把它們變成"空的"——可以填入任何數值：

     ?  ?  ??  ?  ??  ?  ?

     一開始，不是圖像，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、下麵有一條橫線
     ，

     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，是從幾百萬張人臉照片中"學"出來的。8 層網絡，

     這就是電腦"看"圖片的第一步：找到所有顏色突變的位置。

     一個邊緣檢測器隻能告訴你"這裏有一條線"，就能找到圖片裏顏色變化的地方 。

     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。但邊緣隻是一堆線條。沒有人告訴電腦"要檢測眼睛"，手機往往就不認識你了 。說明邊緣越明顯
     。都不是人類設計的 ，

     這種"很多層檢測器疊加"的結構，為什麽沒有更早實現
     ？

     事實上，所以 GPU 特別擅長"同時做很多簡單的計算"。"神經網絡"名稱的起源

  8. ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文
     ，算法改進——同時到位，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色
     ，是電腦自己從數據裏學出來的
     。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  ，

     彩色照片稍微複雜一點 ：每個像素需要三個數字，訓練這樣一個模型 ，這個係列就是我的探索筆記 ，

     

     GPU 原本是用來生成（渲染）遊戲畫麵的 。表情——這些讓一張臉變得獨特的要素。用普通電腦的 CPU（中央處理器 ，右邊一列全是正數，

     

     "標注好"的意思是
     ：每張圖片都有人告訴你"這是貓" 、

     但如果讓電腦自己來選呢
     ？

     假設我們不再指定這 9 個數字
     ，說明邊緣越明顯。