• 如果猜對了——不錯 ，

  但文字呢？

  當你對 ChatGPT 說"蘋果"，

  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，

    Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，

    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，眼睛也是
    ：眼白是淺色的，完全不需要知道什麽是"臉"、就叫"深度神經網絡"
    
    ，下麵有一條橫線，GPU 訓練神經網絡比 CPU 快約 70 倍。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，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞
    、再傳給下一個
    。就是"深度學習"
    。所以選擇了這樣的數字組合	。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	，
    重複這個過程幾百萬次。而是把它們變成"空的"——可以填入任何數值
    ：
    ?  ?  ??  ?  ??  ?  ?
    一開始，貓臉、人類知道"要檢測垂直邊緣	
    ，它輸出"60% 可能是貓"，訓練出了 AlexNet	。它自己發現了"檢測邊緣有助於區分貓和狗"。
    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，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"，它隻是在做加減乘除：把像素變成邊緣 ，

    

    這就是 AI 的"聰明"：不是真的理解 ，本質上就是：右邊的亮度 - 左邊的亮度。層數很多的神經網絡，原理完全一樣 ，鼻子（一個三角形輪廓）、中間有一條從左上到右下的分界線——這就是一條邊緣
     。是從幾百萬張人臉照片中"學"出來的。把邊緣變成形狀 ，

    反向傳播做的事情是：從最後的錯誤出發
    ，比如，

    這需要大量的計算
    。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
     ，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 、最終的錯誤會變大還是變小 ？

    • 如果變小——好，

      一個邊緣檢測器隻能告訴你"這裏有一條線"，但換了個發型，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"、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，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，接近白色）。神經網絡的概念在 1940 年代就有了，

      所以當你拿手機對著自己的臉，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度" 。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色 ，你很快就會明白 
      。有一個名字，這些可調整的數字 ，

      這個設計很聰明
      ，變成了"這個位置有沒有邊緣"的數字。經過層層計算  ，就無法判斷對錯，就 9 個像素，數字越大 ，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
      。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。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，5 次都猜錯才算錯）——領先超過 10 個百分點。加上"女人" ，結果是負數（有一條從亮到暗的邊緣）

    差異越大，

    整個網絡包含 6000 萬個可調整的數字  。自己找到了有用的規律。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 、

    這是 「AI是怎麽回事」係列的第 1篇
    。數字越小越暗
    ，訓練這樣一個模型，把兩個結果綜合起來，所以這幾層叫"卷積層"） 。

    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。

    那些檢測器裏的數字，

    

    每個像素都有一個顏色 ，解鎖 。需要給電腦看幾百萬張人臉照片，

    這個數字的意思是
    ：這裏有一條明顯的邊緣 ，純白是 255
    ，比如 Google 在 2015 年發表的 FaceNet ，把那個數字調大一點

  • 如果變大——反過來 ，把部件變成一組代表你這張臉的數字 ，把所有檢測器發現的信息都匯集在一起 ，它專門用來檢測垂直方向的邊緣
    。200 是亮色（接近白色）
    。

    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。

    一個新的問題

    理解了 AI 怎麽"認人"之後，說明邊緣越明顯 。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，

    解決方法是：疊加很多層。

    一個現代的人臉識別模型可能有幾百萬到上億個參數。但原理完全一樣——歸根到底還是數字 。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。

    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
    。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，這些技術讓更深的網絡變得可訓練 。這就形成了一條邊緣，是電腦自己從數據裏學出來的 。

    

    這就是 AI 在"看"這件事上卡住了幾十年的地方。為什麽
    ？

    先別急著回答。結果的數字越大（不管是正還是負）
    ，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 
    ，上百層，

    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 、藍色的強度（也是 0 到 255）。

      回到手機人臉識別

      

      現在你知道手機是怎麽認出你的了 。

      一堆數字，把形狀變成部件，背景可能是深色的 ，AI 為什麽能通過律師考試卻會一本正經地撒謊。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"，

      但電腦隻看到數字啊，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。算法改進——同時到位，

      你看，

      2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU ，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），動用了來自 167 個國家的近 5 萬名標注工人 ，

      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 ，沒有邊緣。對應位置的數字相乘，

         3. 算法

         AlexNet 還用了幾個關鍵的技術改進 。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，斜線、

         

         "標注好"的意思是 
         ：每張圖片都有人告訴你"這是貓"、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，從左到右顏色在變亮。鼻梁這些區域的數字模式沒變，涵蓋 2 萬多個類別。它"看到"的是什麽？不是一個水果的畫麵，第一層隻能看到線條 ，它照樣能解鎖。

         讓我用一個簡化的例子來說明 。

         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，越大越亮 。錯了多少 ？差了很多——它說 60% 是貓
         ，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 ，

         一道簡單的數學題

         假設我們有一小塊圖片，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，至今已經用了半個多世紀 。就是一串能代表你長相特征的數字）

      2. 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
      3. 判斷：如果兩組數字足夠接近——解鎖

      整個過程沒有任何"理解"。而是它從大量的對錯反饋中
       ，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率 。所謂檢測器 ，它通過層層檢測器從數字中提取特征 。

      

      每天早上，

      • 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，就是邊緣
      。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，"這是汽車"。沒有人告訴電腦"要檢測眼睛"，其餘全是 0（暗）。就能看到"臉"了。

      電腦沒有被告知"要檢測邊緣"。下巴這些區域的麵部特征被口罩擋住了，

      一個人的臉可以有無數種表情、一個三角形在中間 ，

      這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置
      。但永遠覆蓋不了真實世界的複雜性
       。這些小點叫像素——你把手機照片放大再放大，它不知道什麽是"臉"、

      這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。但對所有數字同時做這種微調
      ，分別表示紅色
      、

      不過你可能發現了，

      怎麽用呢 ？把檢測器疊放到圖片上 ，他們第一次用數學來描述神經元的工作方式  。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）、但換發型還能認出來 ？

      因為口罩遮住了臉的下半部分——嘴巴、從 1.6 億張候選圖片中篩選和標注。到達一個"很少出錯"的狀態 。檢測器關注的主要是五官區域的特征——發型變了，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），這樣就不會被一張照片騙過去。接近黑色），

      仔細看這個檢測器的結構：左邊一列全是負數
      ，這也是邊緣。幾千萬個參數反複做計算。對應位置相乘再相加（這個操作的專業名稱叫"卷積"，之所以叫這個名字 ，

      但如果讓電腦自己來選呢 ？

      假設我們不再指定這 9 個數字 ，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 ，
    有的變成了紋理檢測器。但眼睛、層數越多，中間一列全是 0。

    

    這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，判斷"這是不是主人的臉"。三角形 、從互聯網上收集的真實場景人臉照片 ，叫神經網絡。排成 3×3：

    10  10  1010  10 20010 200 200

    左上角是深色（數字 10，逼網絡學到更通用的規律 ，說明邊緣越明顯 。它有 8 層。隨機填一組數字 ，綠色、而今天的大型模型，但疊加四五層之後 ，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，用普通電腦的 CPU（中央處理器，右邊一列全是正數，6000 萬參數 ，無數種角度、叫"參數" 。保持

  • 如果猜錯了——調整那 9 個數字，

    電腦眼中的照片

    要理解手機怎麽"人臉識別" ，五官
    、

    那次突破有多震撼？在 ImageNet 圖像識別比賽中，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集 。就是一組數字組成的小模板——把它疊到圖片上 ，就能檢測出圖片裏有沒有某種特征。想分享給你 。把那個數字調小一點

  每次調整的幅度都很小（比如 0.001），都是黑色線框" loading="lazy">

  比如你的臉和背景之間——皮膚是淺色的，但邊緣隻是一堆線條。才有了 2012 年的突破。別擔心，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，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 ，即可訂閱。

  三個條件——海量數據 、電腦的"大腦"，

  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 ，右下角是淺色（數字 200
，需要對幾百萬張圖片、在 AI 領域有一個專門的名稱，參數量更是以億計 。什麽是鼻子。然後全部加起來。一個管上下——就能找到圖片中任意方向的邊緣 。

  最簡單的情況是黑白照片：純黑是 0，第二層找形狀
，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，每一張都要把所有參數調整一遍。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，

  實際使用時
   ，而不是死記每張圖的細節） 。用它來學習的方法 ，

  手機不知道什麽是眼睛、要理解這件事，結果肯定是亂七八糟的 。

  給電腦看 1000 張貓的照片和 1000 張狗的照片  ，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，手機往往就不認識你了 。檢測器提取出來的數字指紋和你錄入時的差太遠了。

  假設電腦要判斷一張圖是貓還是狗。

  2. 算力

  訓練一個模型
  ，後續文章也會持續更新
  。一層一層往回追溯 ，叫 Sobel 算子（"算子"就是"計算工具"的意思）。所以 GPU 特別擅長"同時做很多簡單的計算" 。分給大量網上工人完成的平台）
  ，

  這就是電腦"看到"的東西 。我一直很好奇 AI 到底是怎麽工作的，讓下次更可能猜對

怎麽調整？不是隨機亂調，我們來聊這個問題。檢測更複雜的東西 。就要比較左右兩邊的亮度" ，

這就是"學習"的本質：不是有人教了它規則，嘴巴（兩條曲線）

事實上，"這是狗"、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 ，什麽是"眼睛" ，"測量鼻子的位置"