中間一列全是到底 0。一種讓深層網絡更容易訓練的聪明从手數學技巧（叫 ReLU），後 3 層負責把前麵提取到的机人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"，

10  10  1010  10 20010 200 200

像素 → 邊緣 → 形狀 → 部件 → 整體

訂閱

如果覺得有意思，是電腦自己從數據裏學出來的 。突然有人考了 85 分。

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
，我一直很好奇 AI 到底是怎麽工作的
，也就無法調整那些數字。
神奇的事情發生了：那些原本隨機的數字，"這是狗"。
GPU 原本是用來生成（渲染）遊戲畫麵的
。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
，一個三角形在中間
，動用了來自 167 個國家的近 5 萬名標注工人，把形狀變成部件	，叫"參數"。
讓我用一個簡化的例子來說明
。完全不需要知道什麽是"臉"、別擔心
，右邊一列全是正數，分給大量網上工人完成的平台），
電腦沒有被告知"要檢測邊緣"	。
一堆數字，
但如果讓電腦自己來選呢？
假設我們不再指定這 9 個數字
，把那個數字調大一點
如果變大——反過來
，接近黑色）
，哪怕是一條 45° 的斜線
，判斷"這是不是主人的臉"。
這個數字的意思是
：這裏有一條明顯的邊緣
，其餘全是 0（暗）
	。說明邊緣越明顯
。加上"女人"，之所以叫這個名字，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，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。綜合判斷最終結果）。用普通電腦的 CPU（中央處理器，電腦的"大腦"	，
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，但眼睛

	、都不是人類設計的，再傳給下一個。所以選擇了這樣的數字組合

。
整個網絡包含 6000 萬個可調整的數字
。都是黑色線框" loading="lazy">
比如你的臉和背景之間——皮膚是淺色的，你會看到一個讓我非常震撼的例子
："國王"減去"男人"，
電腦眼中的照片
要理解手機怎麽"人臉識別"，這個方法叫"反向傳播"，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、為什麽這幾個數字能檢測邊緣
？先看看它怎麽用，但邊緣隻是一堆線條
。藍色的強度（也是 0 到 255）
。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、而發型屬於臉的外圍
，但原理完全一樣——歸根到底還是數字
。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
，隨機填一組數字，背景可能是深色的，中間有一條從左上到右下的分界線——這就是一條邊緣。就是邊緣
	。
2. 算力
訓練一個模型，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，
所以當你拿手機對著自己的臉	，我後麵會專門講
。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。表情——這些讓一張臉變得獨特的要素
。這個檢測器會在整張圖片上一格一格地滑動，
而關鍵是	
：每一層的檢測器裏的數字	，無數種光線
。原理完全一樣，
如果我們換一塊顏色完全相同、然後全部加起來
。"神經網絡"名稱的起源
ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，打個比方：所有人都在 74 分左右競爭，而今天的大型模型，但應該是 0%。沒有人告訴電腦"要檢測眼睛"，中間的灰色就是 1 到 254	。
疊加
：從線條到人臉
但一層檢測器還不夠
	。叫 Sobel 算子（"算子"就是"計算工具"的意思）	。動輒幾十層、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	，這就形成了一條邊緣，AI 為什麽能通過律師考試卻會一本正經地撒謊。嘴巴（兩條曲線）
第四層檢測器

：把部件組合成整體——人臉、歡迎關注我，會自己變成有意義的檢測器
。能識別的東西就越複雜
。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"	、一個管上下——就能找到圖片中任意方向的邊緣	。層數很多的神經網絡，然後比較兩組數字有多接近。
給電腦看 1000 張貓的照片和 1000 張狗的照片
，最終這個數據集包含了超過 1400 萬張標注好的圖片，瞳孔是深色的，它通過層層檢測器從數字中提取特征。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
，花了大約 5-6 天
，那些數字就會逐漸穩定下來
，
這就是 AI 的"聰明"：不是真的理解
，
但文字呢？
當你對 ChatGPT 說"蘋果"，隻用加減乘除
，把那個數字調小一點
每次調整的幅度都很小（比如 0.001）	，但正確答案是"狗"。GPU 算力	、對應位置相乘再相加（這個操作的專業名稱叫"卷積"，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，
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
，
電腦用隨機檢測器算出一個結果
，
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
	，
每天早上
，無數種角度、就要比較左右兩邊的亮度"
，手機往往就不認識你了。
2009 年，越大越亮
。為了建成 ImageNet
，所以這幾層叫"卷積層"）。和正確答案對比：
如果猜對了——不錯，圖形處理器）來算
。需要對幾百萬張圖片
、而不是死記每張圖的細節）
。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	。結果是負數（有一條從亮到暗的邊緣）
差異越大，
一個邊緣檢測器隻能告訴你"這裏有一條線"
，但換發型還能認出來
？
因為口罩遮住了臉的下半部分——嘴巴
、所謂檢測器，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，第三層找五官部件，
有的變成了紋理檢測器。歡迎分享+關注。什麽是"眼睛"
。
但電腦隻看到數字啊
，
這是 「AI是怎麽回事」係列的第 1篇。訓練出了 AlexNet。但也很簡單——本質就是"比較左右兩邊的亮度差"。取名 AlexNet（Alex 的網絡）。即可訂閱。至今已經用了半個多世紀	。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，"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"、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，下巴這些區域的麵部特征被口罩擋住了，我們先用一個更簡單的任務來說明這個過程——區分貓和狗。
還有一些，第一層隻能看到線條，是因為上一層的某個檢測器輸出偏了
那個檢測器偏了
，
那次突破有多震撼	？在 ImageNet 圖像識別比賽中，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。
三個條件——海量數據
、
實際使用時，
反向傳播做的事情是：從最後的錯誤出發
，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，從左到右顏色在變亮。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
，沒有人花這麽大力氣去收集和標注這麽多圖片。什麽是鼻子
。GPU 訓練神經網絡比 CPU 快約 70 倍。
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
，變成了"這個位置有沒有邊緣"的數字。擅長一件一件地處理複雜任務）
，
在此之前，
每個像素都有一個顏色，
一個新的問題
理解了 AI 怎麽"認人"之後，眼睛也是
：眼白是淺色的	，檢測更複雜的東西
。而是一堆數字。這些技術讓更深的網絡變得可訓練。分別表示紅色、他們第一次用數學來描述神經元的工作方式
。叫神經網絡
。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，這也是邊緣。你就找到了輪廓
、
讓我把完整的過程串起來	：
采集麵部數據：手機用攝像頭和傳感器采集你的麵部信息，那就是像素。
整個過程不到一秒。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、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
，檢測器提取出來的數字指紋和你錄入時的差太遠了	。旗艦模型超過 1 億個參數，
一個現代的人臉識別模型可能有幾百萬到上億個參數。你很快就會明白。
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）。是從幾百萬張人臉照片中"學"出來的。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	，想分享給你。你從來沒想過這件事有什麽特別的	。豎線	、
這種"很多層檢測器疊加"的結構

	，覺得不錯的話，五官、比如 Google 在 2015 年發表的 FaceNet	
，三角形、
這個困境持續了幾十年
，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
，算法改進——同時到位	，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"。這個係列就是我的探索筆記，
怎麽用呢
？把檢測器疊放到圖片上，"這是汽車"。從 1.6 億張候選圖片中篩選和標注。斜線
、
你看，200 是亮色（接近白色）。
至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大
，從互聯網上收集的真實場景人臉照片
，
邊緣勾勒出了圖片裏"有東西"的地方。保持
如果猜錯了——調整那 9 個數字
，把兩個結果綜合起來	
，發現了很多有意思的東西，看一眼屏幕

，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，算出每一個數字對這個錯誤的"貢獻"有多大。讓下次更可能猜對
怎麽調整
？不是隨機亂調
，幾千萬個參數反複做計算。
不過你可能發現了	
，純白是 255，兩個檢測器都會給出非零結果。要理解這件事	，
這就是"訓練"。而是把它們變成"空的"——可以填入任何數值
：
?  ?  ??  ?  ??  ?  ?
一開始，結果的數字越大（不管是正還是負），就能得到每個位置的"邊緣強度"和"邊緣方向"
。數字越大	，不能告訴你"這是一隻眼睛"。就有 100 萬個像素
。一層一層往回追溯
，
那些檢測器裏的數字，最終的錯誤會變大還是變小？
如果變小——好
，說明邊緣越明顯。接近白色）。這些小點叫像素——你把手機照片放大再放大，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，
比如下麵這個 5×5 的小圖：
在電腦裏	，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）
	，處理一下	、不是圖像
，找到了邊緣，涵蓋 2 萬多個類別

。測量臉的立體形狀

，等於什麽？
參考資料
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
A logical calculus of the ideas immanent in nervous activity - McCulloch & Pitts (1943) — 第一個神經元數學模型，但核心識別原理——把采集到的數據變成數字
、下麵有一條橫線，它自己發現了"檢測邊緣有助於區分貓和狗"。所以 GPU 特別擅長"同時做很多簡單的計算"。就無法判斷對錯
，
回到手機人臉識別
現在你知道手機是怎麽認出你的了
。斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文
，
有的變成了顏色變化檢測器	。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率
。
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
。
如果左右兩邊顏色一樣——正數和負數互相抵消，曲線
第二層檢測器：把第一層找到的邊緣組合起來
，結果肯定是亂七八糟的	。逼網絡學到更通用的規律，ChatGPT 回答你的那三秒鍾裏究竟在算什麽	，
重複這個過程幾百萬次
。就能檢測出圖片裏有沒有某種特征
。就能找到圖片裏顏色變化的地方。
最簡單的情況是黑白照片
：純黑是 0，直到一個想法改變了一切：
不要人類來設計檢測器

，結果是 0（沒有邊緣）
如果右邊比左邊亮——正數那邊貢獻更大，右下角是淺色（數字 200，證明在特定任務上
，為什麽沒有更早實現
？
事實上，它不知道什麽是"臉"、當時售價 499 美元）	，把部件變成一組代表你這張臉的數字，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
，自己找到了有用的規律
。數字越小越暗，人類知道"要檢測垂直邊緣，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，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色
，這些可調整的數字，
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，
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
。鼻梁這些區域的數字模式沒變，
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
。把邊緣變成形狀，
讓我用一個具體例子來演示。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，反向傳播算法在 1986 年就發表了。後續文章也會持續更新	。讓檢測結果更穩定。斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。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	。
它錯了。重複幾百萬次之後，但疊加四五層之後，而是它從大量的對錯反饋中，戴上口罩，貓臉

、
讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，
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，它輸出"60% 可能是貓"，
不過你可能注意過一個奇怪的事

：在幾年前，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	。Graphics Processing Unit，"這是狗"
、解鎖
。每張都貼好標簽——"這是貓"、第二層找形狀	，
這就是 AI 在"看"這件事上卡住了幾十年的地方	。人臉識別的學習過程完全一樣。
現在我用一個"檢測器"來掃描它。一個很大的正數。什麽是"眼睛"	，一堆線條還不能告訴我們"這是一張臉"	。層數越多
，就是一組數字組成的小模板——把它疊到圖片上	，它有 8 層。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，
這需要大量的計算

。神經網絡的概念在 1940 年代就有了，這可能要算好幾個月甚至幾年	
。
2012 年的突破用了一個聰明的辦法
	：用遊戲顯卡（GPU，
這個設計很聰明，
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
，而顏色在電腦裏是用數字表示的。
彩色照片稍微複雜一點

：每個像素需要三個數字，數字大的地方
，但對所有數字同時做這種微調
，下麵一行全是正數，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
	，中間一行全是 0。我們來聊這個問題。
一個人的臉可以有無數種表情、
手機不知道什麽是眼睛、
一道簡單的數學題
假設我們有一小塊圖片，
假設電腦要判斷一張圖是貓還是狗
。錯了多少？差了很多——它說 60% 是貓	，本質上就是

：右邊的亮度 - 左邊的亮度。8 層網絡，訓練這樣一個模型
，就能看到"臉"了。經過層層計算，但永遠覆蓋不了真實世界的複雜性。