這就是到底電腦"看"圖片的第一步
：找到所有顏色突變的位置 。

讓我把完整的聪明从手過程串起來：

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，表情——這些讓一張臉變得獨特的机人要素 。數字越小越暗，脸识層數越多 ，别说AlexNet 將錯誤率從同年第二名的到底 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，

   

   每個像素都有一個顏色 ，但眼睛、机人

   Alex Krizhevsky 正是脸识用兩塊遊戲顯卡（NVIDIA GTX 580，分給大量網上工人完成的别说平台），它有 8 層。到底

   但文字呢？聪明从手

   當你對 ChatGPT 說"蘋果"，

   這個困境持續了幾十年，机人GPU 算力
   、脸识它通過層層檢測器從數字中提取特征 。别说接近白色）。

   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） 。

   • 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，ChatGPT 回答你的那三秒鍾裏究竟在算什麽
   ，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
   。

   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 ，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
   ，別擔心，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 ，算法改進——同時到位，就無法判斷對錯，8 層網絡 ，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 ，想分享給你 。旗艦模型超過 1 億個參數 ，

   現在我用一個"檢測器"來掃描它。

   不過你可能發現了 ，隨機填一組數字，它"看到"的是什麽？不是一個水果的畫麵 ，鼻子（一個三角形輪廓） 、到達一個"很少出錯"的狀態。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 ，為了建成 ImageNet，處理一下、

   反向傳播做的事情是：從最後的錯誤出發
   ，但正確答案是"狗"。需要對幾百萬張圖片、取名 AlexNet（Alex 的網絡）。是因為上一層的某個檢測器輸出偏了

2. 那個檢測器偏了
   ，比如，我們先用一個更簡單的任務來說明這個過程——區分貓和狗 。就能檢測出圖片裏有沒有某種特征。也就是你臉的輪廓。

   2009 年，但換發型還能認出來？

   因為口罩遮住了臉的下半部分——嘴巴、一層一層往回追溯
   ，就是"深度學習"  。

   這需要大量的計算。

   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、結果是負數（有一條從亮到暗的邊緣）

   差異越大，藍色的強度（也是 0 到 255） 。叫做反向傳播——1986 年由 Rumelhart 、但核心識別原理——把采集到的數據變成數字、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
   ，

   手機不知道什麽是眼睛、

   電腦沒有被告知"要檢測邊緣"。一張 1000×1000 的照片
   ，隻用加減乘除
   ，就叫"深度神經網絡"，無數種光線。

   2012 年，這個係列就是我的探索筆記，動輒幾十層、不能告訴你"這是一隻眼睛"。涵蓋 2 萬多個類別 。超過 1400 萬張標注圖片

3. The data that transformed AI research — and possibly the world - Quartz — ImageNet 的建設過程，

   這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。把邊緣變成形狀，而今天的大型模型，沒有邊緣 。GPU 訓練神經網絡比 CPU 快約 70 倍
   。結果是 0（沒有邊緣）

4. 如果右邊比左邊亮——正數那邊貢獻更大，49000 名標注工人來自 167 個國家
5. 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
6. NVIDIA GeForce GTX 580 - VideoCardz — GTX 580 於 2010 年 11 月發布 ，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字
   ，說明邊緣越明顯。

   給電腦看 1000 張貓的照片和 1000 張狗的照片  ，

   一個現代的人臉識別模型可能有幾百萬到上億個參數。是電腦自己從數據裏學出來的 。就是邊緣 。結果的數字越大（不管是正還是負），發現了很多有意思的東西 ，排成 3×3：

   10  10  1010  10 20010 200 200

   左上角是深色（數字 10
   ，

   這就是電腦"看到"的東西。

   疊加 ：從線條到人臉

   但一層檢測器還不夠。

   這就是"訓練"。

   而關鍵是：每一層的檢測器裏的數字，

   整個網絡包含 6000 萬個可調整的數字。一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），是為了讓檢測器更關注正中間一行的變化，一堆線條還不能告訴我們"這是一張臉"。

   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 
   ，每張都貼好標簽——"這是貓"  、這個方法叫"反向傳播"
   ，保持

7. 如果猜錯了——調整那 9 個數字，

   如果我們換一塊顏色完全相同 、重複幾百萬次之後
   ，結果肯定是亂七八糟的 。要理解這件事 ，為什麽這幾個數字能檢測邊緣
   ？先看看它怎麽用
   ，再傳給下一個。

   邊緣勾勒出了圖片裏"有東西"的地方  。

   一堆數字，

   不過你可能注意過一個奇怪的事 ：在幾年前 ，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 
   、檢測器關注的主要是五官區域的特征——發型變了，哪怕是一條 45° 的斜線
   ，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 。檢測器提取出來的數字指紋和你錄入時的差太遠了。才有了 2012 年的突破。

   一個人的臉可以有無數種表情、而不是死記每張圖的細節）。綜合判斷最終結果）。找到了邊緣，所以 GPU 特別擅長"同時做很多簡單的計算" 。

   讓我用一個具體例子來演示 。而發型屬於臉的外圍，看一眼屏幕，

   

   它不知道什麽是"臉" 、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 ，曲線
8. 第二層檢測器：把第一層找到的邊緣組合起來 ，5 次都猜錯才算錯）——領先超過 10 個百分點。這樣就不會被一張照片騙過去。瞳孔是深色的，右邊一列全是正數，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。

   整個過程不到一秒 。

   實際使用時，

   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，中間的灰色就是 1 到 254。鼻梁這些區域的數字模式沒變，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
     、

     重複這個過程幾百萬次。得先回答一個基本問題
      ：電腦看到的"照片"長什麽樣？

     一張照片是由很多個小點組成的，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊 、三角形 、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，最終這個數據集包含了超過 1400 萬張標注好的圖片 ，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。自己找到了有用的規律
     。叫"參數"。什麽是"眼睛"。"這是汽車"。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"、

     這個設計很聰明，

     神奇的事情發生了：那些原本隨機的數字，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集 。

     你看，

     最簡單的情況是黑白照片：純黑是 0，他們第一次用數學來描述神經元的工作方式 。而是一堆數字 。

     那些檢測器裏的數字 
     ，能識別的東西就越複雜。

     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
     ，人臉識別的學習過程完全一樣。
     電腦用隨機檢測器算出一個結果
     ，戴上口罩	，對應位置的數字相乘
     ，200 是亮色（接近白色）。它自己發現了"檢測邊緣有助於區分貓和狗"。但原理完全一樣——歸根到底還是數字。層層加工"的計算結構
     。中間有一條從左上到右下的分界線——這就是一條邊緣	。
     解決方法是：疊加很多層
     。逼網絡學到更通用的規律，打個比方：所有人都在 74 分左右競爭
     ，算出每一個數字對這個錯誤的"貢獻"有多大。
     還有一些
     	，那些數字就會逐漸穩定下來，之所以叫這個名字
     ，它隻是在做加減乘除：把像素變成邊緣，用它來學習的方法
     ，而是它從大量的對錯反饋中，"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"、會自己變成有意義的檢測器。發表於 Nature

9. ImageNet: A Large-Scale Hierarchical Image Database - Deng, Dong, Socher, Li, Li, Fei-Fei (2009) — ImageNet 數據集論文，也會同時在左右和上下兩個方向上產生亮度差 ，中間一行全是 0。什麽是"眼睛"
   ，但也很簡單——本質就是"比較左右兩邊的亮度差" 。這也是邊緣。而顏色在電腦裏是用數字表示的 。但對所有數字同時做這種微調，即可訂閱。其餘全是 0（暗）。第三層找五官部件，越大越亮。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，原理完全一樣
   ，

   這是 「AI是怎麽回事」係列的第 1篇。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 ，叫神經網絡 。隻是方向變了 ：它比較的是"下麵的亮度 - 上麵的亮度" 。一個管上下——就能找到圖片中任意方向的邊緣
   。訓練這樣一個模型，

   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，讓檢測結果更穩定。

   2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU
   ，你很快就會明白。所以還能匹配上 。

   仔細看這個檢測器的結構：左邊一列全是負數 ，測量臉的立體形狀，為什麽？

   先別急著回答。下巴這些區域的麵部特征被口罩擋住了 ，

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

   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 。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。後續文章也會持續更新
   。第二層找形狀，我們來聊這個問題 。幾千萬個參數反複做計算。

   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，動用了來自 167 個國家的近 5 萬名標注工人 ，突然有人考了 85 分
   。神經網絡的概念在 1940 年代就有了
   ，比如 Google 在 2015 年發表的 FaceNet，

   比如下麵這個 5×5 的小圖：

   

   在電腦裏，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，然後比較兩組數字有多接近。都是黑色線框" loading="lazy">

   比如你的臉和背景之間——皮膚是淺色的 ，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 ，加上"女人"，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，

   在此之前，它照樣能解鎖 。純白是 255 ，

   2. 算力

   訓練一個模型，"神經網絡"名稱的起源

10. ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文 ，數字越大，AI 為什麽能通過律師考試卻會一本正經地撒謊。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。花了大約 5-6 天 ，

    一個邊緣檢測器隻能告訴你"這裏有一條線" ，就有 100 萬個像素
    。從左到右顏色在變亮 。但換了個發型 ，完全不需要知道什麽是"臉"
    、6000 萬參數，

    一個新的問題

    理解了 AI 怎麽"認人"之後 ，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） ，不是圖像 ，

    假設電腦要判斷一張圖是貓還是狗 。

    3. 算法

    AlexNet 還用了幾個關鍵的技術改進  。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，上百層 ，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，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞 、是從幾百萬張人臉照片中"學"出來的。貓臉
    、這些可調整的數字，有一個名字，從互聯網上收集的真實場景人臉照片 ，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，綠色、證明在特定任務上，最終的錯誤會變大還是變小
？

• 如果變小——好，本質上就是：右邊的亮度 - 左邊的亮度 。判斷"這是不是主人的臉"
。把那個數字調小一點

每次調整的幅度都很小（比如 0.001），

彩色照片稍微複雜一點：每個像素需要三個數字，弧線

11. 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）、top-5 錯誤率 15.3%
12. AlexNet - Wikipedia — AlexNet 架構細節與參數量
13. FaceNet: A Unified Embedding for Face Recognition and Clustering - Schroff, Kalenichenko, Philbin (2015) — Google 的人臉識別模型，無數種角度 、歡迎關注我，豎線、層層疊加
14. 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"，就要比較左右兩邊的亮度" ，你從來沒想過這件事有什麽特別的。擅長一件一件地處理複雜任務） ，

    但電腦隻看到數字啊，這可能要算好幾個月甚至幾年
    。反向傳播算法在 1986 年就發表了
    。但應該是 0%。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 ，

       三個條件——海量數據
       、下麵有一條橫線，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色 ，數字大的地方，這就形成了一條邊緣 ，讓電腦自己學。覺得不錯的話，叫 Sobel 算子（"算子"就是"計算工具"的意思）。

       這種"很多層檢測器疊加"的結構，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"，但疊加四五層之後 ，
       有的變成了紋理檢測器。結果是正數（有一條從暗到亮的邊緣）

    3. 如果左邊比右邊亮——負數那邊貢獻更大，就能看到"臉"了。而是把它們變成"空的"——可以填入任何數值：

       ?  ?  ??  ?  ??  ?  ?

       一開始，這個檢測器會在整張圖片上一格一格地滑動 ，手機往往就不認識你了。

       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，

         它錯了。直到一個想法改變了一切：

         不要人類來設計檢測器
         ，

         

         • 如果左右兩邊顏色一樣——正數和負數互相抵消  ，圖形處理器）來算。把兩個結果綜合起來，就能找到圖片裏顏色變化的地方。"這是狗"。建議零售價 $499

    訂閱

    如果覺得有意思，LFW 準確率 99.63%

15. Labeled Faces in the Wild — LFW 人臉識別測試集官方頁麵
16. Learning representations by back-propagating errors - Rumelhart, Hinton, Williams (1986) — 反向傳播算法的奠基論文 ，所謂檢測器，你拿起手機
，嘴巴（兩條曲線）
17. 第四層檢測器
    ：把部件組合成整體——人臉、什麽是鼻子。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。一個三角形在中間，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。

    

    GPU 原本是用來生成（渲染）遊戲畫麵的。五官、

    讓我用一個簡化的例子來說明。現在你隻需要知道 ：電腦有辦法算出調整的方向和幅度 。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。那就是像素。讓下次更可能猜對

怎麽調整 ？不是隨機亂調 ，你就找到了輪廓、

但如果讓電腦自己來選呢？

假設我們不再指定這 9 個數字，



"標注好"的意思是：每張圖片都有人告訴你"這是貓"、它專門用來檢測垂直方向的邊緣
 。它輸出"60% 可能是貓"，就 9 個像素，把形狀變成部件，就是一串能代表你長相特征的數字）

18. 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
19. 判斷：如果兩組數字足夠接近——解鎖

整個過程沒有任何"理解"
 。中間一列全是 0。層數很多的神經網絡 ，

這個數字的意思是 ：這裏有一條明顯的邊緣，為什麽沒有更早實現？

事實上，把部件變成一組代表你這張臉的數字，

這就是"學習"的本質：不是有人教了它規則 ，是數字 。變成了"這個位置有沒有邊緣"的數字。在 AI 領域有一個專門的名稱 ，檢測更複雜的東西。需要給電腦看幾百萬張人臉照片，斜線 、但邊緣隻是一堆線條。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，
有的變成了顏色變化檢測器 。對每個位置都做一次這樣的計算。錯了多少？差了很多——它說 60% 是貓，然後全部加起來
。

回到手機人臉識別

現在你知道手機是怎麽認出你的了 。

電腦眼中的照片

要理解手機怎麽"人臉識別"，至今已經用了半個多世紀。

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
，

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

當它掃描圖片的一個區域時，

但如果我們告訴電腦"正確答案"呢 ？

就像老師批改作業一樣。

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，兩個檢測器都會給出非零結果
。

那次突破有多震撼 ？在 ImageNet 圖像識別比賽中
，沒有人花這麽大力氣去收集和標注這麽多圖片。經過層層計算，第一層隻能看到線條 ，識別簡單形狀——圓形、這些技術讓更深的網絡變得可訓練。你會看到一個讓我非常震撼的例子
："國王"減去"男人"，都不是人類設計的，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"。說明邊緣越明顯 。就能看到一個個小方塊，和正確答案對比：

• 如果猜對了——不錯 ，從 1.6 億張候選圖片中篩選和標注
。所以選擇了這樣的數字組合。訓練出了 AlexNet 
。用普通電腦的 CPU（中央處理器 ，參數量更是以億計。把那個數字調大一點
• 如果變大——反過來，一個很大的正數。所以這幾層叫"卷積層"） 。

  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。就能得到每個位置的"邊緣強度"和"邊緣方向"
  。

  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。

  所以當你拿手機對著自己的臉，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）。當時售價 499 美元），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 ，對應位置相乘再相加（這個操作的專業名稱叫"卷積" ，"這是狗"
、

一道簡單的數學題

假設我們有一小塊圖片，這些"正確答案"是電腦學習的前提——沒有答案，

每天早上
，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。下麵一行全是正數，電腦的"大腦"，把所有檢測器發現的信息都匯集在一起，

這就是 AI 在"看"這件事上卡住了幾十年的地方。就是一組數字組成的小模板——把它疊到圖片上
，解鎖。

這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文
 ，每一張都要把所有參數調整一遍。我後麵會專門講。我一直很好奇 AI 到底是怎麽工作的，分別表示紅色 、眼睛也是 ：眼白是淺色的 ，背景可能是深色的，

怎麽用呢 ？把檢測器疊放到圖片上，沒有人告訴電腦"要檢測眼睛" ，歡迎分享+關注。斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，Graphics Processing Unit，

這就是 AI 的"聰明" ：不是真的理解，接近黑色），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。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，右下角是淺色（數字 200，層層提取特征——和我們前麵講的完全一樣）