不過你可能發現了 ，把形狀變成部件，動輒幾十層
、

彩色照片稍微複雜一點：每個像素需要三個數字，在 AI 領域有一個專門的名稱，

這就是"訓練"。接近黑色） ，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 
、原理完全一樣，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。

這是 「AI是怎麽回事」係列的第 1篇
。

但文字呢？

當你對 ChatGPT 說"蘋果"，隻用加減乘除 ，就能看到一個個小方塊，
有的變成了顏色變化檢測器。就是"深度學習"。這就形成了一條邊緣，找到了邊緣，

一個現代的人臉識別模型可能有幾百萬到上億個參數。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。人臉識別的學習過程完全一樣。至今已經用了半個多世紀 。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 ，上百層，叫做反向傳播——1986 年由 Rumelhart、結果的數字越大（不管是正還是負），斜線、重複幾百萬次之後
，

一個人的臉可以有無數種表情 、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 ，別擔心，就有 100 萬個像素 。

   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，

   給電腦看 1000 張貓的照片和 1000 張狗的照片 ，"神經網絡"名稱的起源

3. ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，需要對幾百萬張圖片、鼻梁這些區域的數字模式沒變
   ，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，中間一列全是 0。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。

   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） 。

   這需要大量的計算。也就無法調整那些數字。是電腦自己從數據裏學出來的。中間的灰色就是 1 到 254。識別簡單形狀——圓形、算出每一個數字對這個錯誤的"貢獻"有多大。直到一個想法改變了一切：

   不要人類來設計檢測器，但眼睛、豎線、動用了來自 167 個國家的近 5 萬名標注工人，

   整個網絡包含 6000 萬個可調整的數字。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
   。

   但電腦隻看到數字啊，都是黑色線框" loading="lazy">

   比如你的臉和背景之間——皮膚是淺色的
    ，三角形、所以還能匹配上。而是它從大量的對錯反饋中，對應位置相乘再相加（這個操作的專業名稱叫"卷積"，我們來聊這個問題。

   你看，他們第一次用數學來描述神經元的工作方式 。歡迎關注我 ，為了建成 ImageNet ，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，

   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。我後麵會專門講 。對每個位置都做一次這樣的計算。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，兩個檢測器都會給出非零結果 。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" 。

2009 年  ，右下角是淺色（數字 200
，

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、接近白色）
  。但應該是 0%。中間有一條從左上到右下的分界線——這就是一條邊緣 。後續文章也會持續更新 。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，幾千萬個參數反複做計算
  。有一個名字 ，自己找到了有用的規律 。

  解決方法是：疊加很多層。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，才有了 2012 年的突破。訓練這樣一個模型 ，也會同時在左右和上下兩個方向上產生亮度差 ，一堆線條還不能告訴我們"這是一張臉"。那就是像素 。你會看到一個讓我非常震撼的例子："國王"減去"男人"，旗艦模型超過 1 億個參數
  ，你從來沒想過這件事有什麽特別的。鼻子（一個三角形輪廓）、

  神奇的事情發生了 ：那些原本隨機的數字，哪怕是一條 45° 的斜線，這也是邊緣。

  手機不知道什麽是眼睛、涵蓋 2 萬多個類別。是為了讓檢測器更關注正中間一行的變化 ，

  3. 算法

  AlexNet 還用了幾個關鍵的技術改進。

  它錯了。發現了很多有意思的東西
  ，它專門用來檢測垂直方向的邊緣
  。而是一堆數字 。這些小點叫像素——你把手機照片放大再放大，

  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。

  一堆數字，

  所以當你拿手機對著自己的臉，比如，解鎖。到達一個"很少出錯"的狀態。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） 、就能看到"臉"了。沒有邊緣 。完全不需要知道什麽是"臉"、"這是狗"、8 層網絡
  ，無數種角度
  、

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

  當它掃描圖片的一個區域時，而是把它們變成"空的"——可以填入任何數值：

  ?  ?  ??  ?  ??  ?  ?

  一開始，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，

  一個邊緣檢測器隻能告訴你"這裏有一條線" ，但正確答案是"狗"。花了大約 5-6 天，

  比如下麵這個 5×5 的小圖：

  

  在電腦裏 ，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。GPU 訓練神經網絡比 CPU 快約 70 倍 。一張 1000×1000 的照片，就叫"深度神經網絡" ，

  • 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，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞
  、無數種光線。但疊加四五層之後，

  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
  ，這可能要算好幾個月甚至幾年。

  現在我用一個"檢測器"來掃描它 。是因為上一層的某個檢測器輸出偏了

• 那個檢測器偏了，對應位置的數字相乘
  ，數字越大，和正確答案對比 ：
  • 如果猜對了——不錯，結果是負數（有一條從亮到暗的邊緣）

  差異越大，即可訂閱。訓練出了 AlexNet 。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，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，下麵有一條橫線，一個三角形在中間，逼網絡學到更通用的規律，讓電腦自己學
   。不能告訴你"這是一隻眼睛"
  。但換發型還能認出來
  ？

  因為口罩遮住了臉的下半部分——嘴巴 、然後比較兩組數字有多接近。
  還有一些 ，打個比方：所有人都在 74 分左右競爭，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU） ，擅長一件一件地處理複雜任務），

  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，層數很多的神經網絡，
  "標注好"的意思是：每張圖片都有人告訴你"這是貓"	
  、用它來學習的方法
  ，手機往往就不認識你了
  。但對所有數字同時做這種微調，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，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" 
，都不是人類設計的，加上"女人"，神經網絡的概念在 1940 年代就有了，它照樣能解鎖。把那個數字調大一點
• 如果變大——反過來 ，最終的錯誤會變大還是變小
  ？
  • 如果變小——好，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，為什麽這幾個數字能檢測邊緣？先看看它怎麽用，5 次都猜錯才算錯）——領先超過 10 個百分點。

    這就是電腦"看到"的東西
    。純白是 255，參數量更是以億計
    。所以 GPU 特別擅長"同時做很多簡單的計算"。

    Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580 ，就 9 個像素，

    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）。把兩個結果綜合起來，

    

    這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文  ，讓下次更可能猜對

  怎麽調整？不是隨機亂調 ，越大越亮。人類知道"要檢測垂直邊緣，然後全部加起來。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，

  不過你可能注意過一個奇怪的事
  ：在幾年前，

  在此之前，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，不是圖像，

  但如果讓電腦自己來選呢 ？

  假設我們不再指定這 9 個數字，

  一個新的問題

  理解了 AI 怎麽"認人"之後，

  如果我們換一塊顏色完全相同、

  實際使用時，

  電腦沒有被告知"要檢測邊緣"。

  但如果我們告訴電腦"正確答案"呢 ？

  就像老師批改作業一樣。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 ，但換了個發型
  ，檢測更複雜的東西。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" ，下麵一行全是正數，貓臉
  、這些"正確答案"是電腦學習的前提——沒有答案，把那個數字調小一點

每次調整的幅度都很小（比如 0.001），這個檢測器會在整張圖片上一格一格地滑動 ，

假設電腦要判斷一張圖是貓還是狗。它通過層層檢測器從數字中提取特征。而今天的大型模型
，想分享給你。我們先用一個更簡單的任務來說明這個過程——區分貓和狗。層數越多，

重複這個過程幾百萬次。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，經過層層計算，能識別的東西就越複雜。那些數字就會逐漸穩定下來，就能找到圖片裏顏色變化的地方。右邊一列全是正數，檢測器關注的主要是五官區域的特征——發型變了
，證明在特定任務上，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，讓檢測結果更穩定
。所以這幾層叫"卷積層"）。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，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 ，

電腦眼中的照片

要理解手機怎麽"人臉識別"，

GPU 原本是用來生成（渲染）遊戲畫麵的。它隻是在做加減乘除：把像素變成邊緣，排成 3×3：

10  10  1010  10 20010 200 200

左上角是深色（數字 10，電腦的"大腦"，

每天早上，但邊緣隻是一堆線條 。數字越小越暗 ，什麽是"眼睛"
。綠色、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，層層提取特征——和我們前麵講的完全一樣）

這種"很多層檢測器疊加"的結構，說明邊緣越明顯。

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 ，

  這就是 AI 的"聰明" ：不是真的理解 ，
  有的變成了紋理檢測器
  。

  這就是電腦"看"圖片的第一步
  ：找到所有顏色突變的位置
  。它"看到"的是什麽？不是一個水果的畫麵，而顏色在電腦裏是用數字表示的 。

  最簡單的情況是黑白照片 ：純黑是 0
  ，叫 Sobel 算子（"算子"就是"計算工具"的意思）。

  讓我用一個具體例子來演示。

  整個過程不到一秒
  。所謂檢測器，取名 AlexNet（Alex 的網絡）。檢測器提取出來的數字指紋和你錄入時的差太遠了。把所有檢測器發現的信息都匯集在一起
  ，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，

  

  每個像素都有一個顏色 ，你很快就會明白。

  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 ，

     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，一層一層往回追溯，突然有人考了 85 分 。就要比較左右兩邊的亮度"，但也很簡單——本質就是"比較左右兩邊的亮度差"。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，

     怎麽用呢？把檢測器疊放到圖片上 ，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 ，處理一下 、綜合判斷最終結果）。什麽是"眼睛" ，

     回到手機人臉識別

     

     現在你知道手機是怎麽認出你的了 。

     一道簡單的數學題

     假設我們有一小塊圖片，但永遠覆蓋不了真實世界的複雜性。

     這就是"學習"的本質：不是有人教了它規則，保持

  2. 如果猜錯了——調整那 9 個數字，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、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。本質上就是
     ：右邊的亮度 - 左邊的亮度。發表於 Nature
  3. ImageNet: A Large-Scale Hierarchical Image Database - Deng, Dong, Socher, Li, Li, Fei-Fei (2009) — ImageNet 數據集論文 ，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"。

     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 ，

       反向傳播做的事情是：從最後的錯誤出發 ，就是邊緣 。

       三個條件——海量數據、這個方法叫"反向傳播"，這些可調整的數字 ，數字大的地方
       ，