而關鍵是：每一層的檢測器裏的數字，它"看到"的是什麽？不是一個水果的畫麵，中間有一條從左上到右下的分界線——這就是一條邊緣
。

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）。層層加工"的計算結構 。

假設電腦要判斷一張圖是貓還是狗
。也就無法調整那些數字 。叫做反向傳播——1986 年由 Rumelhart  、對每個位置都做一次這樣的計算 。

神奇的事情發生了：那些原本隨機的數字 ，當時售價 499 美元），
還有一些 ，

但如果讓電腦自己來選呢？

假設我們不再指定這 9 個數字，讓檢測結果更穩定  。算出每一個數字對這個錯誤的"貢獻"有多大。叫 Sobel 算子（"算子"就是"計算工具"的意思） 。曲線

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 ，就是一組數字組成的小模板——把它疊到圖片上，那可能是一張臉"
3. 有人試著提取更複雜的特征："檢測眼睛的形狀" 、ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，無數種角度
   、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。就要比較左右兩邊的亮度"，沒有人花這麽大力氣去收集和標注這麽多圖片。和正確答案對比：
   • 如果猜對了——不錯 ，對應位置的數字相乘，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 ，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"，會自己變成有意義的檢測器。都不是人類設計的 ，

     讓我用一個具體例子來演示。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色 ，找到了邊緣，為什麽沒有更早實現 ？

     事實上 ，人類知道"要檢測垂直邊緣，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 
     ，6000 萬參數 ，就無法判斷對錯，200 是亮色（接近白色） 。"這是汽車" 。看一眼屏幕 ，

     重複這個過程幾百萬次
     。把所有檢測器發現的信息都匯集在一起 ，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、5 次都猜錯才算錯）——領先超過 10 個百分點 。

     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 。斜線、就 9 個像素 ，這可能要算好幾個月甚至幾年 。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，

     • 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，

     三個條件——海量數據 、而今天的大型模型，

     不過你可能注意過一個奇怪的事：在幾年前，但對所有數字同時做這種微調，那些數字就會逐漸穩定下來，數字越小越暗
     ，背景可能是深色的 ，別擔心
     ，重複幾百萬次之後 ，你就找到了輪廓、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，而是一堆數字 。我們來聊這個問題 。

     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，但原理完全一樣——歸根到底還是數字 。

     

     文字怎麽變成數字 ？AI 又怎麽"理解"這些數字的意思 ？

     下一篇，把邊緣變成形狀，表情——這些讓一張臉變得獨特的要素 。這些小點叫像素——你把手機照片放大再放大 ，

     

     這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文
     ，綠色、每張都貼好標簽——"這是貓" 、直到一個想法改變了一切：

     不要人類來設計檢測器，能識別的東西就越複雜 。測量臉的立體形狀，沒有邊緣
     。它隻是在做加減乘除：把像素變成邊緣，想分享給你。參數量更是以億計 。完全不需要知道什麽是"臉" 、有一個名字 ，第一層隻能看到線條，它通過層層檢測器從數字中提取特征
     。

     回到手機人臉識別

     

     現在你知道手機是怎麽認出你的了 。

     這是 「AI是怎麽回事」係列的第 1篇。

     手機不知道什麽是眼睛 、

     仔細看這個檢測器的結構：左邊一列全是負數，8 層網絡 ，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、一層一層往回追溯 ，原理完全一樣 ，逼網絡學到更通用的規律 
     ，手機往往就不認識你了。動輒幾十層、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 。它輸出"60% 可能是貓"
     ，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。所謂檢測器
     ，它自己發現了"檢測邊緣有助於區分貓和狗"。右邊一列全是正數，它照樣能解鎖。但也很簡單——本質就是"比較左右兩邊的亮度差"。不能告訴你"這是一隻眼睛"
     。

     整個網絡包含 6000 萬個可調整的數字。把部件變成一組代表你這張臉的數字 ，這也是邊緣。之所以叫這個名字 ，分別表示紅色、需要對幾百萬張圖片  、但核心識別原理——把采集到的數據變成數字 、發現了很多有意思的東西，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，"這是狗"、保持

   • 如果猜錯了——調整那 9 個數字，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。

     2012 年 ，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，為什麽？

     先別急著回答。

     2009 年 ，最終的錯誤會變大還是變小？

     • 如果變小——好，

       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，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。為什麽這幾個數字能檢測邊緣
       	？先看看它怎麽用
       ，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，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
       。
       你看
       
       ，
       比如下麵這個 5×5 的小圖：
       在電腦裏，
       電腦沒有被告知"要檢測邊緣"。然後全部加起來。
       這就是電腦"看到"的東西
       
       。就能得到每個位置的"邊緣強度"和"邊緣方向"。
       這就是"訓練"。
       有的變成了紋理檢測器。隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"
       。
       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，什麽是鼻子
       。我們先用一個更簡單的任務來說明這個過程——區分貓和狗。這樣就不會被一張照片騙過去。最終這個數據集包含了超過 1400 萬張標注好的圖片
       ，
       3. 算法
       AlexNet 還用了幾個關鍵的技術改進。把那個數字調小一點
       每次調整的幅度都很小（比如 0.001），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	，但疊加四五層之後
       ，無數種光線
       。變成了"這個位置有沒有邊緣"的數字	。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"
       ，
       一道簡單的數學題
       假設我們有一小塊圖片	，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，這個係列就是我的探索筆記
       ，層數越多	，
       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，也會同時在左右和上下兩個方向上產生亮度差
       ，但換了個發型	，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，
       疊加	：從線條到人臉
       但一層檢測器還不夠。比如 Google 在 2015 年發表的 FaceNet，讓下次更可能猜對

     怎麽調整 ？不是隨機亂調，排成 3×3：

     10  10  1010  10 20010 200 200

     左上角是深色（數字 10
，隻用加減乘除，即可訂閱 。但換發型還能認出來？

     因為口罩遮住了臉的下半部分——嘴巴、現在你隻需要知道：電腦有辦法算出調整的方向和幅度。斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，解鎖
。神經網絡的概念在 1940 年代就有了，

     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 。後續文章也會持續更新。檢測器提取出來的數字指紋和你錄入時的差太遠了。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，

     那次突破有多震撼？在 ImageNet 圖像識別比賽中 ，把那個數字調大一點

   • 如果變大——反過來，讓電腦自己學 
     。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 
     。我後麵會專門講。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，

     怎麽用呢？把檢測器疊放到圖片上，是電腦自己從數據裏學出來的。一種讓深層網絡更容易訓練的數學技巧（叫 ReLU） ，

     但電腦隻看到數字啊
      ，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域
     。就能看到一個個小方塊 ，

     至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大
      ，

     這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起
     。

     這個數字的意思是 ：這裏有一條明顯的邊緣，動用了來自 167 個國家的近 5 萬名標注工人，檢測器關注的主要是五官區域的特征——發型變了
     ，

     一個人的臉可以有無數種表情、用普通電腦的 CPU（中央處理器，右下角是淺色（數字 200
     ，

     

     每天早上，訓練這樣一個模型，為了建成 ImageNet ，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
     ，用它來學習的方法，訓練出了 AlexNet 。

     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、而是把它們變成"空的"——可以填入任何數值：

       ?  ?  ??  ?  ??  ?  ?

       一開始
       ，它不知道什麽是"臉"、但應該是 0% 。它專門用來檢測垂直方向的邊緣 。

       邊緣勾勒出了圖片裏"有東西"的地方
        。貓臉、接近黑色）
       ，要理解這件事，在 AI 領域有一個專門的名稱 ，加上"女人" ，分給大量網上工人完成的平台），斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集 。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，鼻梁這些區域的數字模式沒變
       ，自己找到了有用的規律 。歡迎關注我，

       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，

          這就是 AI 的"聰明" 
          ：不是真的理解，

          所以當你拿手機對著自己的臉
          ，哪怕是一條 45° 的斜線 ，都是黑色線框" loading="lazy">

          比如你的臉和背景之間——皮膚是淺色的，所以 GPU 特別擅長"同時做很多簡單的計算"。接近白色）。證明在特定任務上
          ，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，這個檢測器會在整張圖片上一格一格地滑動，

          不過你可能發現了，人臉識別的學習過程完全一樣 。49000 名標注工人來自 167 個國家

       2. 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
       3. NVIDIA GeForce GTX 580 - VideoCardz — GTX 580 於 2010 年 11 月發布 ，

          

          • 如果左右兩邊顏色一樣——正數和負數互相抵消，不是圖像，幾千萬個參數反複做計算。是為了讓檢測器更關注正中間一行的變化 ，

            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，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，綜合判斷最終結果） 。

          實際使用時
          ，而是它從大量的對錯反饋中，圖形處理器）來算。純白是 255
          ，結果是負數（有一條從亮到暗的邊緣）

     差異越大 ，這些可調整的數字 ，

     讓我用一個簡化的例子來說明。一個管上下——就能找到圖片中任意方向的邊緣。你拿起手機，下巴這些區域的麵部特征被口罩擋住了
     ，一個很大的正數。那就是像素。他們第一次用數學來描述神經元的工作方式。第二層找形狀
     ，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"。是因為裏麵的某個數字該大一點

給電腦看 1000 張貓的照片和 1000 張狗的照片，結果的數字越大（不管是正還是負），錯了多少 ？差了很多——它說 60% 是貓，然後比較兩組數字有多接近 。眼睛也是：眼白是淺色的 ，而發型屬於臉的外圍
，

最簡單的情況是黑白照片：純黑是 0 ，所以還能匹配上。"測量鼻子的位置"

在此之前
 ，

這個設計很聰明 ，

"標注好"的意思是 ：每張圖片都有人告訴你"這是貓"、

電腦用隨機檢測器算出一個結果 ，而不是死記每張圖的細節） 。

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
  ，需要給電腦看幾百萬張人臉照片，這些"正確答案"是電腦學習的前提——沒有答案 ，

  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。

  

  每個像素都有一個顏色，上百層
  ，突然有人考了 85 分 。是從幾百萬張人臉照片中"學"出來的 。

  但如果我們告訴電腦"正確答案"呢？

  就像老師批改作業一樣。算法改進——同時到位，而顏色在電腦裏是用數字表示的。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、電腦的"大腦" ，本質上就是：右邊的亮度 - 左邊的亮度
  。但邊緣隻是一堆線條。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，

  

  這就是 AI 在"看"這件事上卡住了幾十年的地方。建議零售價 $499

訂閱

如果覺得有意思
，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"。歡迎分享+關注。"這是狗"。藍色的強度（也是 0 到 255）。是數字
。第三層找五官部件
，把兩個結果綜合起來
，

一個新的問題

理解了 AI 怎麽"認人"之後，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） 、

  那些檢測器裏的數字，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 。擅長一件一件地處理複雜任務） ，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
  ，什麽是"眼睛" ，比如，

  它錯了 。

  這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置。再傳給下一個 。

  整個過程不到一秒。層數很多的神經網絡
  ，判斷"這是不是主人的臉"。戴上口罩，取名 AlexNet（Alex 的網絡）。從 1.6 億張候選圖片中篩選和標注。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，一堆線條還不能告訴我們"這是一張臉"。什麽是"眼睛"
  。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，下麵一行全是正數
  ，才有了 2012 年的突破。但正確答案是"狗" 。Graphics Processing Unit，其餘全是 0（暗） 。中間一列全是 0。

  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 ，把形狀變成部件，就能找到圖片裏顏色變化的地方
  。

  2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU ，至今已經用了半個多世紀。