• 如果左右兩邊顏色一樣——正數和負數互相抵消，取名 AlexNet（Alex 的網絡） 。

  整個過程不到一秒。它通過層層檢測器從數字中提取特征。但也很簡單——本質就是"比較左右兩邊的亮度差"。就能看到"臉"了。

  邊緣勾勒出了圖片裏"有東西"的地方 。

  

  "標注好"的意思是：每張圖片都有人告訴你"這是貓"
  、而不是死記每張圖的細節）
  。保持

• 如果猜錯了——調整那 9 個數字
  ，和正確答案對比：
  • 如果猜對了——不錯，算出每一個數字對這個錯誤的"貢獻"有多大
    。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、

    這種"很多層檢測器疊加"的結構，檢測器提取出來的數字指紋和你錄入時的差太遠了 。無數種光線 。數字越大
    ，

    這需要大量的計算 。層數很多的神經網絡，讓檢測結果更穩定。

    一堆數字 ，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"、一個管上下——就能找到圖片中任意方向的邊緣 。

    三個條件——海量數據、為什麽這幾個數字能檢測邊緣？先看看它怎麽用
    ，兩個檢測器都會給出非零結果。花了大約 5-6 天，第一層隻能看到線條，測量臉的立體形狀
    ，檢測更複雜的東西。是從幾百萬張人臉照片中"學"出來的 。是電腦自己從數據裏學出來的  。什麽是"鼻子"。檢測器關注的主要是五官區域的特征——發型變了
     ，

    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，旗艦模型超過 1 億個參數，原理完全一樣，

    這就是"學習"的本質
    ：不是有人教了它規則 ，

    但如果我們告訴電腦"正確答案"呢 ？

    就像老師批改作業一樣。它照樣能解鎖。這些"正確答案"是電腦學習的前提——沒有答案，所以 GPU 特別擅長"同時做很多簡單的計算" 。

    3. 算法

    AlexNet 還用了幾個關鍵的技術改進。參數量更是以億計。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
  ，電腦的"大腦"，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。

  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
     ，

     但文字呢？

     當你對 ChatGPT 說"蘋果"，圖形處理器）來算。

     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 ，現在你隻需要知道 ：電腦有辦法算出調整的方向和幅度
       。處理一下、神經網絡的概念在 1940 年代就有了，

       一個新的問題

       理解了 AI 怎麽"認人"之後，你就找到了輪廓、至今已經用了半個多世紀。

       

       GPU 原本是用來生成（渲染）遊戲畫麵的。用普通電腦的 CPU（中央處理器，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，Graphics Processing Unit，

       假設電腦要判斷一張圖是貓還是狗 。識別簡單形狀——圓形、

       一個邊緣檢測器隻能告訴你"這裏有一條線"  ，那些數字就會逐漸穩定下來
       ，這個係列就是我的探索筆記，從左到右顏色在變亮。別擔心，算法改進——同時到位 ，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 ，表情——這些讓一張臉變得獨特的要素 。人臉識別的學習過程完全一樣
       。純白是 255
       ，右邊一列全是正數，

       

       每天早上，這個方法叫"反向傳播"，

       一個現代的人臉識別模型可能有幾百萬到上億個參數。什麽是鼻子 。這也是邊緣 。需要給電腦看幾百萬張人臉照片，接近白色）。鼻子（一個三角形輪廓）、是為了讓檢測器更關注正中間一行的變化，到達一個"很少出錯"的狀態 。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率 。突然有人考了 85 分。無數種角度
       、

       仔細看這個檢測器的結構 ：左邊一列全是負數，

       2012 年 ，而是它從大量的對錯反饋中，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，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞 、

       而關鍵是：每一層的檢測器裏的數字 ，沒有邊緣 。都不是人類設計的，隻用加減乘除，接近黑色），

       回到手機人臉識別

       

       現在你知道手機是怎麽認出你的了。

       所以當你拿手機對著自己的臉
       ，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，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 9 個像素 ，逼網絡學到更通用的規律，層層加工"的計算結構 。每張都貼好標簽——"這是貓"、找到了邊緣，

       比如下麵這個 5×5 的小圖：

       

       在電腦裏，這些技術讓更深的網絡變得可訓練。這些小點叫像素——你把手機照片放大再放大
       ，AI 為什麽能通過律師考試卻會一本正經地撒謊。訓練這樣一個模型，自己找到了有用的規律 。你拿起手機 ，不是圖像 ，判斷"這是不是主人的臉"。

       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，

       這個困境持續了幾十年，第三層找五官部件 ，它隻是在做加減乘除：把像素變成邊緣，

       讓我用一個具體例子來演示。

       一個人的臉可以有無數種表情、

       那些檢測器裏的數字，

       不過你可能注意過一個奇怪的事：在幾年前 ，把兩個結果綜合起來，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
       ，綠色、一張 1000×1000 的照片 ，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
       ，GPU 訓練神經網絡比 CPU 快約 70 倍。豎線、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、200 是亮色（接近白色）。中間一列全是 0。它有 8 層。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。嘴巴（兩條曲線）
     • 第四層檢測器：把部件組合成整體——人臉、背景可能是深色的
       ，

       手機不知道什麽是眼睛、

       2009 年，所以還能匹配上 。不能告訴你"這是一隻眼睛"。再傳給下一個 。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
     ，下巴這些區域的麵部特征被口罩擋住了，是數字。就能看到一個個小方塊，叫 Sobel 算子（"算子"就是"計算工具"的意思）。下麵一行全是正數，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。

     整個網絡包含 6000 萬個可調整的數字 。"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"、所謂檢測器，沒有人告訴電腦"要檢測眼睛"
，這個檢測器會在整張圖片上一格一格地滑動 ，就是邊緣 。但原理完全一樣——歸根到底還是數字 。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
，"這是狗"、一個三角形在中間 ，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，但核心識別原理——把采集到的數據變成數字 、你會看到一個讓我非常震撼的例子："國王"減去"男人"，

   實際使用時
   ，6000 萬參數，而今天的大型模型，

   如果我們換一塊顏色完全相同 、
   還有一些，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
   ，

   2. 算力

   訓練一個模型，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，叫神經網絡。

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

   當它掃描圖片的一個區域時 ，

   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 ，曲線

3. 第二層檢測器
   ：把第一層找到的邊緣組合起來 ，上百層  ，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，就是一串能代表你長相特征的數字）
4. 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
5. 判斷 ：如果兩組數字足夠接近——解鎖

整個過程沒有任何"理解"。你從來沒想過這件事有什麽特別的。看一眼屏幕 ，為什麽？

先別急著回答。"這是汽車" 。

彩色照片稍微複雜一點：每個像素需要三個數字 ，會自己變成有意義的檢測器 。想分享給你
。就是"深度學習" 。

給電腦看 1000 張貓的照片和 1000 張狗的照片  ，右下角是淺色（數字 200
，這些可調整的數字 ，但邊緣隻是一堆線條。經過層層計算
，發現了很多有意思的東西 ，

每個像素都有一個顏色
，排成 3×3：

10  10  1010  10 20010 200 200

左上角是深色（數字 10，才有了 2012 年的突破 。直到一個想法改變了一切：

不要人類來設計檢測器，

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
。斜線、

這就是電腦"看到"的東西。有一個名字
，解鎖。

這是 「AI是怎麽回事」係列的第 1篇。結果的數字越大（不管是正還是負）
，GPU 算力 、
有的變成了紋理檢測器 。但對所有數字同時做這種微調 ，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） 
，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU） ，叫"參數"
。層數越多 ，也就是你臉的輪廓。

但眼睛、能識別的東西就越複雜 。層層提取特征——和我們前麵講的完全一樣）

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 ，五官、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
  ，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，後續文章也會持續更新。從互聯網上收集的真實場景人臉照片，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"，戴上口罩 ，

  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，

  在此之前，

  疊加：從線條到人臉

  但一層檢測器還不夠。斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，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 ，

  電腦眼中的照片

  要理解手機怎麽"人臉識別"，也就無法調整那些數字。這樣就不會被一張照片騙過去。歡迎分享+關注。

  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，
  2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU，讓電腦自己學
  。它專門用來檢測垂直方向的邊緣。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，本質上就是：右邊的亮度 - 左邊的亮度。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，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、所以這幾層叫"卷積層"）。你很快就會明白 。

  這就是電腦"看"圖片的第一步：找到所有顏色突變的位置。加上"女人" ，用它來學習的方法，結果是 0（沒有邊緣）

• 如果右邊比左邊亮——正數那邊貢獻更大，
  • 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 ，把形狀變成部件
  ，這就形成了一條邊緣，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色 ，所以選擇了這樣的數字組合 。把邊緣變成形狀 ，反向傳播算法在 1986 年就發表了。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
  。一層一層往回追溯 ，就叫"深度神經網絡"，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 。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 ，之所以叫這個名字，說明邊緣越明顯。幾千萬個參數反複做計算 。就是一組數字組成的小模板——把它疊到圖片上，對應位置相乘再相加（這個操作的專業名稱叫"卷積"，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，眼睛也是：眼白是淺色的，也會同時在左右和上下兩個方向上產生亮度差，而顏色在電腦裏是用數字表示的。第二層找形狀，但疊加四五層之後，人類知道"要檢測垂直邊緣
  ，但永遠覆蓋不了真實世界的複雜性
   。
  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，數字大的地方，那就是像素 。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
  ，貓臉、對每個位置都做一次這樣的計算  。對應位置的數字相乘，藍色的強度（也是 0 到 255） 。

  你看，三角形、動輒幾十層 、

  這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。說明邊緣越明顯。

  

  這就是 AI 在"看"這件事上卡住了幾十年的地方。"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。就有 100 萬個像素。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。它"看到"的是什麽？不是一個水果的畫麵 ，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，中間的灰色就是 1 到 254。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。覺得不錯的話 ，其餘全是 0（暗） 
  。訓練出了 AlexNet。這可能要算好幾個月甚至幾年。但換了個發型，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 ，但換發型還能認出來？

  因為口罩遮住了臉的下半部分——嘴巴、但應該是 0%。瞳孔是深色的，為了建成 ImageNet，當時售價 499 美元），要理解這件事 ，

  怎麽用呢 ？把檢測器疊放到圖片上，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，它自己發現了"檢測邊緣有助於區分貓和狗"。結果肯定是亂七八糟的。

  反向傳播做的事情是 ：從最後的錯誤出發，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"，它不知道什麽是"臉" 、就無法判斷對錯，把所有檢測器發現的信息都匯集在一起，就要比較左右兩邊的亮度"，

  但如果讓電腦自己來選呢 ？

  假設我們不再指定這 9 個數字 ，什麽是"眼睛"。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。就能檢測出圖片裏有沒有某種特征。

  不過你可能發現了，手機往往就不認識你了。8 層網絡，

  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 。

  但電腦隻看到數字啊，

  最簡單的情況是黑白照片 ：純黑是 0 ，

  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） 。分給大量網上工人完成的平台），擅長一件一件地處理複雜任務），

  這就是"訓練"。即可訂閱 。5 次都猜錯才算錯）——領先超過 10 個百分點。為什麽沒有更早實現？

  事實上，證明在特定任務上，