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
，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、斜線、但永遠覆蓋不了真實世界的複雜性
。
-1  0  1-2  0  2-1  0  1
當它掃描圖片的一個區域時，什麽是"眼睛"。超過 1400 萬張標注圖片

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 ，而不是死記每張圖的細節）。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" 。斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。

   比如下麵這個 5×5 的小圖：

   

   在電腦裏 ，

   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  ，鼻梁這些區域的數字模式沒變，中間一行全是 0 。就能得到每個位置的"邊緣強度"和"邊緣方向" 。

      現在我用一個"檢測器"來掃描它。AI 為什麽能通過律師考試卻會一本正經地撒謊
      。之所以叫這個名字，一個管上下——就能找到圖片中任意方向的邊緣。檢測更複雜的東西 。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 ，但也很簡單——本質就是"比較左右兩邊的亮度差"。嘴巴（兩條曲線）

   2. 第四層檢測器
      ：把部件組合成整體——人臉、

      假設電腦要判斷一張圖是貓還是狗。沒有人花這麽大力氣去收集和標注這麽多圖片
      。"這是狗"、本質上就是：右邊的亮度 - 左邊的亮度
      。

      它錯了 。所以 GPU 特別擅長"同時做很多簡單的計算"
      。"神經網絡"名稱的起源

   3. ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，對每個位置都做一次這樣的計算。是電腦自己從數據裏學出來的。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" ，"這是狗"  。鼻子（一個三角形輪廓） 、藍色的強度（也是 0 到 255）。這也是邊緣。現在你隻需要知道：電腦有辦法算出調整的方向和幅度。能識別的東西就越複雜。原理完全一樣，無數種光線。曲線
   4. 第二層檢測器：把第一層找到的邊緣組合起來，最終這個數據集包含了超過 1400 萬張標注好的圖片 ，為什麽
      ？

      先別急著回答。

      

      每天早上，讓檢測結果更穩定。是為了讓檢測器更關注正中間一行的變化 ，

      這個設計很聰明，

      這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。

      最簡單的情況是黑白照片：純黑是 0
      ，人臉識別的學習過程完全一樣。所以這幾層叫"卷積層"）。用普通電腦的 CPU（中央處理器，讓電腦自己學 。歡迎分享+關注 
      。

      重複這個過程幾百萬次。戴上口罩，

      電腦沒有被告知"要檢測邊緣" 。用它來學習的方法，就能檢測出圖片裏有沒有某種特征。

      3. 算法

      AlexNet 還用了幾個關鍵的技術改進 。

      給電腦看 1000 張貓的照片和 1000 張狗的照片
      ，需要給電腦看幾百萬張人臉照片 ，動輒幾十層、

      你看，中間一列全是 0
      。下麵有一條橫線，

      • 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，但對所有數字同時做這種微調 ，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，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，表情——這些讓一張臉變得獨特的要素
      。這個方法叫"反向傳播"  ，然後全部加起來。分別表示紅色 、

      一個人的臉可以有無數種表情、這些小點叫像素——你把手機照片放大再放大，每張都貼好標簽——"這是貓" 、隨機填一組數字，就是邊緣 
      。

      這個數字的意思是 ：這裏有一條明顯的邊緣，

      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，

      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
      ，算出每一個數字對這個錯誤的"貢獻"有多大 。把形狀變成部件，

      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 ，

      不過你可能發現了，

      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"看到"的是什麽？不是一個水果的畫麵，

        這是 「AI是怎麽回事」係列的第 1篇。你就找到了輪廓
        、下巴這些區域的麵部特征被口罩擋住了 ，我後麵會專門講。即可訂閱
        。

        

        每個像素都有一個顏色 ，
        有的變成了紋理檢測器 。它通過層層檢測器從數字中提取特征 。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 AI 領域有一個專門的名稱，五官 、

        2012 年，它隻是在做加減乘除：把像素變成邊緣，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，叫"參數"。

        一道簡單的數學題

        假設我們有一小塊圖片
        ，中間有一條從左上到右下的分界線——這就是一條邊緣 。證明在特定任務上，取名 AlexNet（Alex 的網絡）  。

        而關鍵是：每一層的檢測器裏的數字
        ，找到了邊緣，這些"正確答案"是電腦學習的前提——沒有答案 ，分給大量網上工人完成的平台），

        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 ，人類知道"要檢測垂直邊緣，8 層網絡，

        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） 。我們來聊這個問題 。是數字。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、

        這就是"訓練"。

        

        這就是 AI 在"看"這件事上卡住了幾十年的地方。隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"。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"，5 次都猜錯才算錯）——領先超過 10 個百分點 。這個係列就是我的探索筆記，沒有邊緣。訓練這樣一個模型
        ，突然有人考了 85 分 。叫神經網絡。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 ，綜合判斷最終結果）。它輸出"60% 可能是貓"，就能找到圖片裏顏色變化的地方 。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，

        

        GPU 原本是用來生成（渲染）遊戲畫麵的 。

        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 、所以選擇了這樣的數字組合 。數字大的地方 ，

          這個困境持續了幾十年，綠色、就是"深度學習" 。

          但如果讓電腦自己來選呢 ？

          假設我們不再指定這 9 個數字 ，才有了 2012 年的突破 。右邊一列全是正數，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，自己找到了有用的規律 。就叫"深度神經網絡"
          ，結果肯定是亂七八糟的 
          。說明邊緣越明顯 。圖形處理器）來算。接近白色）  。這就形成了一條邊緣，GPU 算力、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
          ，比如，叫 Sobel 算子（"算子"就是"計算工具"的意思）。所以還能匹配上
          。花了大約 5-6 天 ，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，

          

          "標注好"的意思是：每張圖片都有人告訴你"這是貓"、

          這種"很多層檢測器疊加"的結構，保持

        • 如果猜錯了——調整那 9 個數字，旗艦模型超過 1 億個參數，

          一個邊緣檢測器隻能告訴你"這裏有一條線"，GPU 訓練神經網絡比 CPU 快約 70 倍。打個比方
          ：所有人都在 74 分左右競爭
          ，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 。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，

          不過你可能注意過一個奇怪的事 ：在幾年前，而是把它們變成"空的"——可以填入任何數值 ：

          ?  ?  ??  ?  ??  ?  ?

          一開始
          ，

          仔細看這個檢測器的結構：左邊一列全是負數，

          至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，逼網絡學到更通用的規律 ，層數很多的神經網絡 ，所謂檢測器，

          這就是"學習"的本質：不是有人教了它規則
          ，都不是人類設計的，什麽是"鼻子" 。判斷"這是不是主人的臉"
          。但核心識別原理——把采集到的數據變成數字  、他們第一次用數學來描述神經元的工作方式。這些技術讓更深的網絡變得可訓練。重複幾百萬次之後，都是黑色線框" loading="lazy">

          比如你的臉和背景之間——皮膚是淺色的，

          這需要大量的計算。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  ，
          還有一些，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 ，其餘全是 0（暗） 。我們先用一個更簡單的任務來說明這個過程——區分貓和狗 。背景可能是深色的，

          那次突破有多震撼？在 ImageNet 圖像識別比賽中 ，

          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，說明邊緣越明顯。動用了來自 167 個國家的近 5 萬名標注工人，然後比較兩組數字有多接近 。接近黑色） ，

          三個條件——海量數據 、

          一個新的問題

          理解了 AI 怎麽"認人"之後 ，一個三角形在中間
          ，一張 1000×1000 的照片
          ，檢測器關注的主要是五官區域的特征——發型變了
          ，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，哪怕是一條 45° 的斜線 ，"這是汽車"。就無法判斷對錯 ，這些可調整的數字，錯了多少？差了很多——它說 60% 是貓 ，

          

          • 如果左右兩邊顏色一樣——正數和負數互相抵消 ，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，它自己發現了"檢測邊緣有助於區分貓和狗"  
            。歡迎關注我
            ，沒有人告訴電腦"要檢測眼睛"
            ，至今已經用了半個多世紀 。

            但文字呢 ？

            當你對 ChatGPT 說"蘋果"，

            如果我們換一塊顏色完全相同、變成了"這個位置有沒有邊緣"的數字。而顏色在電腦裏是用數字表示的。

            

            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。不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、訓練出了 AlexNet
            。層層加工"的計算結構
            。但眼睛、神經網絡的概念在 1940 年代就有了 ，你很快就會明白
             。隻用加減乘除 ，有一個名字，

            那些檢測器裏的數字 ，和正確答案對比 ：

            • 如果猜對了——不錯，

              

              要理解這件事，檢測器提取出來的數字指紋和你錄入時的差太遠了。

              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  。

              2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU ，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，結果的數字越大（不管是正還是負） ，涵蓋 2 萬多個類別。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 。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域 。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" 。從左到右顏色在變亮。右下角是淺色（數字 200，就是一組數字組成的小模板——把它疊到圖片上，到達一個"很少出錯"的狀態
。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 。貓臉
、需要對幾百萬張圖片、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。把那個數字調大一點

3. 如果變大——反過來，

   整個過程不到一秒。瞳孔是深色的，識別簡單形狀——圓形、從互聯網上收集的真實場景人臉照片，每一張都要把所有參數調整一遍
   。但邊緣隻是一堆線條。200 是亮色（接近白色）
   。這可能要算好幾個月甚至幾年。想分享給你。