• 如果左右兩邊顏色一樣——正數和負數互相抵消
  ，背景可能是深色的，第三層找五官部件，它隻是在做加減乘除 ：把像素變成邊緣 ，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、

  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，是因為上一層的某個檢測器輸出偏了
  • 那個檢測器偏了 ，第一層隻能看到線條，

    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
    ，這些"正確答案"是電腦學習的前提——沒有答案，測量臉的立體形狀，但換發型還能認出來？

    因為口罩遮住了臉的下半部分——嘴巴 、動輒幾十層 、所以這幾層叫"卷積層"）。

    神奇的事情發生了：那些原本隨機的數字
    ，處理一下 、

    一堆數字，結果是負數（有一條從亮到暗的邊緣）

  差異越大 ，

  一道簡單的數學題

  假設我們有一小塊圖片
  ，

  一個人的臉可以有無數種表情、就要比較左右兩邊的亮度"，

  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，而不是死記每張圖的細節）。他們第一次用數學來描述神經元的工作方式。沒有人告訴電腦"要檢測眼睛"，
  在此之前，圖形處理器）來算。最終這個數據集包含了超過 1400 萬張標注好的圖片
  	，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。解鎖
  	。結果是 0（沒有邊緣）

• 如果右邊比左邊亮——正數那邊貢獻更大，

  比如下麵這個 5×5 的小圖 ：

  

  在電腦裏，就能找到圖片裏顏色變化的地方。第二層找形狀 ，旗艦模型超過 1 億個參數 ，就叫"深度神經網絡"，然後比較兩組數字有多接近。中間有一條從左上到右下的分界線——這就是一條邊緣 。我們先用一個更簡單的任務來說明這個過程——區分貓和狗。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 。純白是 255，

  這就是"訓練"。一個很大的正數。中間的灰色就是 1 到 254。

  而關鍵是：每一層的檢測器裏的數字，你會看到一個讓我非常震撼的例子 ："國王"減去"男人"
  ，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU） ，都是黑色線框" loading="lazy">

  比如你的臉和背景之間——皮膚是淺色的，五官 、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"、

  這個數字的意思是 ：這裏有一條明顯的邊緣，說明邊緣越明顯 。但核心識別原理——把采集到的數據變成數字、

  手機不知道什麽是眼睛、

  一個邊緣檢測器隻能告訴你"這裏有一條線"，訓練出了 AlexNet。最終的錯誤會變大還是變小？

  • 如果變小——好，現在你隻需要知道 ：電腦有辦法算出調整的方向和幅度。

    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。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，接近白色）。這個係列就是我的探索筆記，手機往往就不認識你了。中間一行全是 0 。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，錯了多少
    ？差了很多——它說 60% 是貓 ，把那個數字調大一點

  • 如果變大——反過來
    ，

    但如果讓電腦自己來選呢？

    假設我們不再指定這 9 個數字，

    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
    ，你從來沒想過這件事有什麽特別的。

    這需要大量的計算 。然後全部加起來。為了建成 ImageNet，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你 。5 次都猜錯才算錯）——領先超過 10 個百分點。

    3. 算法

    AlexNet 還用了幾個關鍵的技術改進。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，所以選擇了這樣的數字組合。神經網絡的概念在 1940 年代就有了，

    讓我用一個具體例子來演示 。

    這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。

    但電腦隻看到數字啊，這也是邊緣。

    • 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 ，

    不過你可能發現了，AI 為什麽能通過律師考試卻會一本正經地撒謊。右邊一列全是正數，我們來聊這個問題 。每張都貼好標簽——"這是貓"
    、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。

    這個設計很聰明 ，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，但對所有數字同時做這種微調，

    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，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 ，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，

    整個過程不到一秒 。

    讓我用一個簡化的例子來說明。比如，說明邊緣越明顯。它"看到"的是什麽？不是一個水果的畫麵，到達一個"很少出錯"的狀態 。排成 3×3：

    10  10  1010  10 20010 200 200

    左上角是深色（數字 10，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，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。用它來學習的方法
    ，能識別的東西就越複雜。從左到右顏色在變亮。我後麵會專門講 。什麽是"鼻子" 。是電腦自己從數據裏學出來的 。這些小點叫像素——你把手機照片放大再放大 ，對每個位置都做一次這樣的計算 。不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、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）、上百層
    ，

    

    每個像素都有一個顏色
    ，嘴巴（兩條曲線）

  • 第四層檢測器：把部件組合成整體——人臉、

    這種"很多層檢測器疊加"的結構，識別簡單形狀——圓形 、它通過層層檢測器從數字中提取特征 。找到了邊緣 ，

    但如果我們告訴電腦"正確答案"呢 ？

    就像老師批改作業一樣 。也就是你臉的輪廓。不是圖像 ，算法改進——同時到位，原理完全一樣，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、無數種角度
    、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 ，你很快就會明白。

    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

  • 第二層檢測器：把第一層找到的邊緣組合起來，才有了 2012 年的突破。而發型屬於臉的外圍，當時售價 499 美元），檢測器提取出來的數字指紋和你錄入時的差太遠了。從互聯網上收集的真實場景人臉照片，所謂檢測器  ，但正確答案是"狗"
    。分別表示紅色、覺得不錯的話，

    疊加 ：從線條到人臉

    但一層檢測器還不夠。斜線、都不是人類設計的
    ，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，綠色、但永遠覆蓋不了真實世界的複雜性
    。把那個數字調小一點

  每次調整的幅度都很小（比如 0.001） ，下巴這些區域的麵部特征被口罩擋住了，戴上口罩
  ，也就無法調整那些數字。保持

• 如果猜錯了——調整那 9 個數字
  ，就能檢測出圖片裏有沒有某種特征 。完全不需要知道什麽是"臉"、它照樣能解鎖 。

  這就是電腦"看"圖片的第一步：找到所有顏色突變的位置。訓練這樣一個模型，就是邊緣。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，叫做反向傳播——1986 年由 Rumelhart、

  電腦沒有被告知"要檢測邊緣"。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，

  如果我們換一塊顏色完全相同 、

  電腦用隨機檢測器算出一個結果，

  

  每天早上
  ，所以 GPU 特別擅長"同時做很多簡單的計算" 。下麵有一條橫線 ，就是"深度學習"。檢測器關注的主要是五官區域的特征——發型變了，

  但文字呢？

  當你對 ChatGPT 說"蘋果"，需要對幾百萬張圖片、擅長一件一件地處理複雜任務） ，這些技術讓更深的網絡變得可訓練
  。而是一堆數字。就是一組數字組成的小模板——把它疊到圖片上，一層一層往回追溯 ，叫"參數" 。但疊加四五層之後 ，它有 8 層。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，一堆線條還不能告訴我們"這是一張臉" 。GPU 算力 、下麵一行全是正數
  ，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 ，層層加工"的計算結構
  。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。

  仔細看這個檢測器的結構：左邊一列全是負數 ，

  

  什麽是"眼睛"，突然有人考了 85 分。重複幾百萬次之後，無數種光線。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 ，就能看到"臉"了。

  它錯了
  。

  回到手機人臉識別

  

  現在你知道手機是怎麽認出你的了 。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，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 ，

     不過你可能注意過一個奇怪的事：在幾年前，"神經網絡"名稱的起源

  3. ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，綜合判斷最終結果）
      。自己找到了有用的規律。"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"、證明在特定任務上，是為了讓檢測器更關注正中間一行的變化，

這是 「AI是怎麽回事」係列的第 1篇。

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，它不知道什麽是"臉" 、至今已經用了半個多世紀。讓下次更可能猜對

怎麽調整 ？不是隨機亂調 ，別擔心，但眼睛、經過層層計算，

實際使用時，讓檢測結果更穩定。用普通電腦的 CPU（中央處理器，

一個現代的人臉識別模型可能有幾百萬到上億個參數。

GPU 原本是用來生成（渲染）遊戲畫麵的 。哪怕是一條 45° 的斜線，但邊緣隻是一堆線條 。

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。

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）。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，

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。藍色的強度（也是 0 到 255）。"這是狗"、讓電腦自己學。

假設電腦要判斷一張圖是貓還是狗。隨機填一組數字，LFW 準確率 99.63%

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，建議零售價 $499