現在我用一個"檢測器"來掃描它 。聪明从手數字越大，机人才有了 2012 年的脸识突破。電腦的别说"大腦" ，表情——這些讓一張臉變得獨特的到底要素
。把邊緣變成形狀，聪明从手但永遠覆蓋不了真實世界的机人複雜性。對應位置的脸识數字相乘，突然有人考了 85 分。别说

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、到底斯坦福大學的聪明从手李飛飛教授團隊發布了 ImageNet 數據集 。右邊一列全是机人正數 ，解鎖
  。脸识人類知道"要檢測垂直邊緣，别说右下角是淺色（數字 200，逼網絡學到更通用的規律 ，歡迎關注我 ，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），

  但如果我們告訴電腦"正確答案"呢？

  就像老師批改作業一樣。

  電腦沒有被告知"要檢測邊緣"。所以還能匹配上 。斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，

  

  "標注好"的意思是：每張圖片都有人告訴你"這是貓"、至今已經用了半個多世紀 。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、你從來沒想過這件事有什麽特別的 。它輸出"60% 可能是貓"，

  給電腦看 1000 張貓的照片和 1000 張狗的照片，比如 Google 在 2015 年發表的 FaceNet ，

  最簡單的情況是黑白照片：純黑是 0，什麽是"眼睛"
  。

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

  當它掃描圖片的一個區域時 ，為什麽沒有更早實現 ？

  事實上 ，

  整個過程不到一秒。

  但電腦隻看到數字啊，

  它錯了。就能看到一個個小方塊，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  ，

  一個邊緣檢測器隻能告訴你"這裏有一條線"，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 ，處理一下、

  讓我用一個簡化的例子來說明 。是電腦自己從數據裏學出來的。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 ，最終這個數據集包含了超過 1400 萬張標注好的圖片 ，是為了讓檢測器更關注正中間一行的變化，把兩個結果綜合起來 ，背景可能是深色的，分別表示紅色、

  比如下麵這個 5×5 的小圖
   ：

  

  在電腦裏 ，
  有的變成了紋理檢測器。就是一組數字組成的小模板——把它疊到圖片上  ，層層加工"的計算結構。叫"參數"。藍色的強度（也是 0 到 255） 。

  Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，它照樣能解鎖。是數字。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，就 9 個像素 ，鼻子（一個三角形輪廓）、沒有邊緣。眼睛也是：眼白是淺色的，你就找到了輪廓 、在 AI 領域有一個專門的名稱，斜線、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，

     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，它不知道什麽是"臉"、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 ，隨機填一組數字
     ，上百層，

     

     這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文 ，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"。

     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，三角形 、沒有人告訴電腦"要檢測眼睛"，就是"深度學習"。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
       ，也會同時在左右和上下兩個方向上產生亮度差 ，

       

       GPU 原本是用來生成（渲染）遊戲畫麵的。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 ，

     一堆數字 ，一個管上下——就能找到圖片中任意方向的邊緣 。動輒幾十層、純白是 255
     ，所以選擇了這樣的數字組合。對應位置相乘再相加（這個操作的專業名稱叫"卷積"
     ，

     實際使用時，

     而關鍵是
     ：每一層的檢測器裏的數字，為了建成 ImageNet，對每個位置都做一次這樣的計算 。然後全部加起來 。不是圖像，戴上口罩 ，AI 為什麽能通過律師考試卻會一本正經地撒謊。到達一個"很少出錯"的狀態。所謂檢測器，訓練這樣一個模型
     ，重複幾百萬次之後，圖形處理器）來算。一層一層往回追溯 ，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。曲線

  3. 第二層檢測器：把第一層找到的邊緣組合起來 ，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，取名 AlexNet（Alex 的網絡）。GPU 算力、

     這個設計很聰明，這就形成了一條邊緣 ，第二層找形狀，top-5 錯誤率 15.3%

  4. AlexNet - Wikipedia — AlexNet 架構細節與參數量
  5. FaceNet: A Unified Embedding for Face Recognition and Clustering - Schroff, Kalenichenko, Philbin (2015) — Google 的人臉識別模型 ，參數量更是以億計。保持
  6. 如果猜錯了——調整那 9 個數字，

     3. 算法

     AlexNet 還用了幾個關鍵的技術改進。判斷"這是不是主人的臉"。

     2. 算力

     訓練一個模型，那就是像素。把那個數字調大一點

  7. 如果變大——反過來，和正確答案對比 ：
     • 如果猜對了——不錯 ，

       那次突破有多震撼？在 ImageNet 圖像識別比賽中 ，就能檢測出圖片裏有沒有某種特征。檢測器提取出來的數字指紋和你錄入時的差太遠了。

       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 ，那些數字就會逐漸穩定下來，

          所以當你拿手機對著自己的臉 ，反向傳播算法在 1986 年就發表了
          。

          不過你可能發現了，用普通電腦的 CPU（中央處理器 ，動用了來自 167 個國家的近 5 萬名標注工人 ，找到了邊緣
          ，

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

          一道簡單的數學題

          假設我們有一小塊圖片 ，隻是方向變了 ：它比較的是"下麵的亮度 - 上麵的亮度" 。有一個名字，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、

          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 ，測量臉的立體形狀，

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

          2012 年
          ，是因為上一層的某個檢測器輸出偏了

       2. 那個檢測器偏了，讓下次更可能猜對

     怎麽調整？不是隨機亂調 ，這可能要算好幾個月甚至幾年。LFW 準確率 99.63%

  8. Labeled Faces in the Wild — LFW 人臉識別測試集官方頁麵
  9. Learning representations by back-propagating errors - Rumelhart, Hinton, Williams (1986) — 反向傳播算法的奠基論文，我後麵會專門講。你會看到一個讓我非常震撼的例子："國王"減去"男人" ，所以 GPU 特別擅長"同時做很多簡單的計算"
     。中間一行全是 0 。

     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，檢測器關注的主要是五官區域的特征——發型變了	，
     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）。什麽是鼻子。中間一列全是 0
     。
     這個困境持續了幾十年	，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率	。Graphics Processing Unit
     
     ，這個方法叫"反向傳播"，
     2009 年，為什麽？
     先別急著回答。一個三角形在中間，數字大的地方，都是黑色線框" loading="lazy">
     比如你的臉和背景之間——皮膚是淺色的，現在你隻需要知道
     ：電腦有辦法算出調整的方向和幅度。這些"正確答案"是電腦學習的前提——沒有答案，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
     	，
     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，從互聯網上收集的真實場景人臉照片
     ，
     疊加：從線條到人臉
     但一層檢測器還不夠。
     這是 「AI是怎麽回事」係列的第 1篇
     。把形狀變成部件
     ，
     如果左右兩邊顏色一樣——正數和負數互相抵消，打個比方	：所有人都在 74 分左右競爭，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）	，幾千萬個參數反複做計算
     。手機往往就不認識你了。完全不需要知道什麽是"臉"	、AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域
     。當時售價 499 美元）
     ，其餘全是 0（暗）
     。
     一個現代的人臉識別模型可能有幾百萬到上億個參數。而是它從大量的對錯反饋中	，加上"女人"
     ，就能找到圖片裏顏色變化的地方。但也很簡單——本質就是"比較左右兩邊的亮度差"。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
     	。覺得不錯的話，從左到右顏色在變亮。綠色
     	、也就是你臉的輪廓。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"，最終的錯誤會變大還是變小
     ？
     如果變小——好
     ，人臉識別的學習過程完全一樣	。
     有的變成了顏色變化檢測器。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。8 層網絡
     ，但換發型還能認出來？
     因為口罩遮住了臉的下半部分——嘴巴、旗艦模型超過 1 億個參數，
     邊緣勾勒出了圖片裏"有東西"的地方。結果是 0（沒有邊緣）
     如果右邊比左邊亮——正數那邊貢獻更大，
     電腦眼中的照片
     要理解手機怎麽"人臉識別"，中間有一條從左上到右下的分界線——這就是一條邊緣
     。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
     ，
     重複這個過程幾百萬次
     。但邊緣隻是一堆線條。越大越亮	。就是邊緣	。
     一個新的問題
     理解了 AI 怎麽"認人"之後，一張 1000×1000 的照片
     ，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
     ，它專門用來檢測垂直方向的邊緣。也就無法調整那些數字。涵蓋 2 萬多個類別
     。它通過層層檢測器從數字中提取特征。我一直很好奇 AI 到底是怎麽工作的，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，
     但文字呢
     ？
     當你對 ChatGPT 說"蘋果"，識別簡單形狀——圓形、
     這種"很多層檢測器疊加"的結構，之所以叫這個名字
     ，變成了"這個位置有沒有邊緣"的數字
     。
     回到手機人臉識別
     現在你知道手機是怎麽認出你的了。錯了多少	
     ？差了很多——它說 60% 是貓，證明在特定任務上，花了大約 5-6 天
     ，你拿起手機，這個檢測器會在整張圖片上一格一格地滑動，層數很多的神經網絡，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"。每張都貼好標簽——"這是貓"
、訓練出了 AlexNet 。下巴這些區域的麵部特征被口罩擋住了
，

  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。叫 Sobel 算子（"算子"就是"計算工具"的意思）。數字越小越暗，無數種光線。

  

  每個像素都有一個顏色 ，但疊加四五層之後 ，

  電腦用隨機檢測器算出一個結果 ，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，

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） 。這也是邊緣
。每一張都要把所有參數調整一遍 。我們來聊這個問題
。直到一個想法改變了一切：

不要人類來設計檢測器，需要給電腦看幾百萬張人臉照片，"這是狗"。比如，它隻是在做加減乘除 ：把像素變成邊緣 
，豎線、"這是汽車"。層層疊加

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

每次調整的幅度都很小（比如 0.001），哪怕是一條 45° 的斜線
，GPU 訓練神經網絡比 CPU 快約 70 倍  。算出每一個數字對這個錯誤的"貢獻"有多大。但對所有數字同時做這種微調  ，

一個人的臉可以有無數種表情、即可訂閱
。五官、算法改進——同時到位，所以這幾層叫"卷積層"）。結果肯定是亂七八糟的。你很快就會明白
。就能得到每個位置的"邊緣強度"和"邊緣方向" 。沒有人花這麽大力氣去收集和標注這麽多圖片。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，

解決方法是：疊加很多層。什麽是"鼻子" 。

這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。但原理完全一樣——歸根到底還是數字。而發型屬於臉的外圍，

但如果讓電腦自己來選呢？

假設我們不再指定這 9 個數字，接近白色）。

整個網絡包含 6000 萬個可調整的數字。

這就是 AI 的"聰明"：不是真的理解，它"看到"的是什麽
？不是一個水果的畫麵 ，無數種角度、"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"、

這需要大量的計算。分給大量網上工人完成的平台）
，這個係列就是我的探索筆記，從 1.6 億張候選圖片中篩選和標注 。結果的數字越大（不管是正還是負） ，自己找到了有用的規律。

仔細看這個檢測器的結構 ：左邊一列全是負數 ，

這就是 AI 在"看"這件事上卡住了幾十年的地方。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，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 。下麵有一條橫線，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。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 ，一堆線條還不能告訴我們"這是一張臉" 。但核心識別原理——把采集到的數據變成數字、經過層層計算，別擔心，用它來學習的方法 ，但正確答案是"狗"。就叫"深度神經網絡"，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，

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，

  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，這樣就不會被一張照片騙過去。

  三個條件——海量數據
  、綜合判斷最終結果）。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，

  讓我用一個具體例子來演示。什麽是"眼睛"
  ，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。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、5 次都猜錯才算錯）——領先超過 10 個百分點。這些可調整的數字，"這是狗" 、就無法判斷對錯 ，而是把它們變成"空的"——可以填入任何數值 ：

  ?  ?  ??  ?  ??  ?  ?

  一開始
  ，原理完全一樣，"神經網絡"名稱的起源

• ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文 ，嘴巴（兩條曲線）
• 第四層檢測器：把部件組合成整體——人臉 、而顏色在電腦裏是用數字表示的 。

  這就是"訓練"。結果是負數（有一條從亮到暗的邊緣）

差異越大，接近黑色）
，

手機不知道什麽是眼睛
、不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、想分享給你 。需要對幾百萬張圖片 
、而是一堆數字 。瞳孔是深色的 
，他們第一次用數學來描述神經元的工作方式 。

彩色照片稍微複雜一點：每個像素需要三個數字，讓電腦自己學 。本質上就是：右邊的亮度 - 左邊的亮度 。檢測更複雜的東西。而不是死記每張圖的細節）。
還有一些，但眼睛
、能識別的東西就越複雜。看一眼屏幕，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 ，然後比較兩組數字有多接近 。下麵一行全是正數，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，一個很大的正數。歡迎分享+關注。

不過你可能注意過一個奇怪的事 ：在幾年前
，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
，說明邊緣越明顯。但應該是 0% 。第三層找五官部件  ，我們先用一個更簡單的任務來說明這個過程——區分貓和狗 。說明邊緣越明顯。

假設電腦要判斷一張圖是貓還是狗。層層提取特征——和我們前麵講的完全一樣）

訂閱

如果覺得有意思
，那可能是一張臉"

10  10  1010  10 20010 200 200