差異越大，

• 如果左右兩邊顏色一樣——正數和負數互相抵消，聪明从手

  為什麽這個檢測器能工作？机人

  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 。它自己在反複的脸识"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。每張都貼好標簽——"這是别说貓"、於是到底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，算法改進——同時到位，聪明从手

  現在我用一個"檢測器"來掃描它。机人

  這就是脸识"學習"的本質：不是有人教了它規則，也會同時在左右和上下兩個方向上產生亮度差，别说會自己變成有意義的到底檢測器。判斷"這是聪明从手不是主人的臉" 。叫做反向傳播——1986 年由 Rumelhart、机人但核心識別原理——把采集到的脸识數據變成數字 、GPU 訓練神經網絡比 CPU 快約 70 倍 。别说

  不過你可能發現了，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），對應位置的數字相乘，是數字。就有 100 萬個像素。把兩個結果綜合起來，接近白色）。AI 為什麽能通過律師考試卻會一本正經地撒謊 。我們來聊這個問題。變成了"這個位置有沒有邊緣"的數字。其餘全是 0（暗）。

  但電腦隻看到數字啊 ，越大越亮 。訓練出了 AlexNet。Graphics Processing Unit，他們第一次用數學來描述神經元的工作方式。都不是人類設計的
  ，旗艦模型超過 1 億個參數，證明在特定任務上，一張 1000×1000 的照片
  ，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，也就是你臉的輪廓。

  2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU，

  最簡單的情況是黑白照片：純黑是 0，49000 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，錯了多少？差了很多——它說 60% 是貓，中間的灰色就是 1 到 254 。就能檢測出圖片裏有沒有某種特征  。

  電腦用隨機檢測器算出一個結果，

  這種"很多層檢測器疊加"的結構，最終的錯誤會變大還是變小？

  • 如果變小——好  ，

    

    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  。人臉識別的學習過程完全一樣。但原理完全一樣——歸根到底還是數字。

    3. 算法

    AlexNet 還用了幾個關鍵的技術改進。一個很大的正數。沒有人花這麽大力氣去收集和標注這麽多圖片 。所謂檢測器，

    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。這些小點叫像素——你把手機照片放大再放大 ，而發型屬於臉的外圍，它不知道什麽是"臉"、不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、就是"深度學習"
    。什麽是"眼睛"。

    這個數字的意思是：這裏有一條明顯的邊緣，要理解這件事，無數種角度、

    你看，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 ，貓臉、然後全部加起來。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。一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），
    還有一些 ，

    怎麽用呢？把檢測器疊放到圖片上，不是圖像 ，它"看到"的是什麽 ？不是一個水果的畫麵，我後麵會專門講 。識別簡單形狀——圓形、

    

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

    這就是"訓練"。

    但如果我們告訴電腦"正確答案"呢？

    就像老師批改作業一樣。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，隻用加減乘除 ，就 9 個像素 ，中間有一條從左上到右下的分界線——這就是一條邊緣
    。

    一個邊緣檢測器隻能告訴你"這裏有一條線" 
    ，表情——這些讓一張臉變得獨特的要素。讓下次更可能猜對

  怎麽調整？不是隨機亂調，再傳給下一個。想分享給你 。眼睛也是：眼白是淺色的  ，別擔心 ，

  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） 。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
  ，建議零售價 $499

訂閱

如果覺得有意思 ，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  ，

比如下麵這個 5×5 的小圖 ：



在電腦裏，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 。從左到右顏色在變亮。把部件變成一組代表你這張臉的數字，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，

每天早上 ，需要對幾百萬張圖片、第二層找形狀，看一眼屏幕，兩個檢測器都會給出非零結果 。5 次都猜錯才算錯）——領先超過 10 個百分點。

不過你可能注意過一個奇怪的事：在幾年前，而今天的大型模型 ，我們先用一個更簡單的任務來說明這個過程——區分貓和狗
。"這是狗" 。

仔細看這個檢測器的結構  ：左邊一列全是負數 ，之所以叫這個名字
，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，

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，後續文章也會持續更新。取名 AlexNet（Alex 的網絡）。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，和正確答案對比	：
如果猜對了——不錯
，層數很多的神經網絡	，現在你隻需要知道	：電腦有辦法算出調整的方向和幅度
。結果是 0（沒有邊緣）
如果右邊比左邊亮——正數那邊貢獻更大，逼網絡學到更通用的規律
，隻是方向變了
：它比較的是"下麵的亮度 - 上麵的亮度"。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，在 AI 領域有一個專門的名稱
，歡迎關注我，你拿起手機，沒有邊緣。"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"、訓練這樣一個模型	，它專門用來檢測垂直方向的邊緣。從互聯網上收集的真實場景人臉照片
，比如 Google 在 2015 年發表的 FaceNet，沒有人告訴電腦"要檢測眼睛"，
至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，
每個像素都有一個顏色，需要給電腦看幾百萬張人臉照片
，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，
彩色照片稍微複雜一點：每個像素需要三個數字，一層一層往回追溯，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"。是從幾百萬張人臉照片中"學"出來的
。能識別的東西就越複雜
。
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，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"，什麽是"鼻子"。也就無法調整那些數字。而顏色在電腦裏是用數字表示的。而是把它們變成"空的"——可以填入任何數值：
?  ?  ??  ?  ??  ?  ?
一開始，所以 GPU 特別擅長"同時做很多簡單的計算"。而不是死記每張圖的細節）。幾千萬個參數反複做計算。即可訂閱	。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，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，動輒幾十層
、發現了很多有意思的東西，"這是狗"
、本質上就是：右邊的亮度 - 左邊的亮度。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
，但眼睛、
假設電腦要判斷一張圖是貓還是狗
。第一層隻能看到線條，都是黑色線框" loading="lazy">
比如你的臉和背景之間——皮膚是淺色的，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色
，"神經網絡"名稱的起源
ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文
，
一堆數字，綜合判斷最終結果）
。五官、但正確答案是"狗"
。
這就是電腦"看到"的東西	。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	，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	。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
，但邊緣隻是一堆線條
。下麵有一條橫線，隨機填一組數字
，這樣就不會被一張照片騙過去。就叫"深度神經網絡"，瞳孔是深色的，重複幾百萬次之後，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，
它錯了。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字
，曲線
第二層檢測器：把第一層找到的邊緣組合起來，
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，讓電腦自己學
。
這個困境持續了幾十年，叫神經網絡
。為了建成 ImageNet，分別表示紅色、
重複這個過程幾百萬次。就是邊緣。把那個數字調大一點
如果變大——反過來，
電腦沒有被告知"要檢測邊緣"
。
這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。參數量更是以億計	。
那次突破有多震撼？在 ImageNet 圖像識別比賽中
，
這個設計很聰明，戴上口罩
，中間一行全是 0
。所以還能匹配上	。右邊一列全是正數，一堆線條還不能告訴我們"這是一張臉"

。是因為上一層的某個檢測器輸出偏了
那個檢測器偏了，上百層
，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

，
電腦眼中的照片
要理解手機怎麽"人臉識別"	，把邊緣變成形狀，說明邊緣越明顯
。用它來學習的方法，擅長一件一件地處理複雜任務），這個係列就是我的探索筆記，
一個現代的人臉識別模型可能有幾百萬到上億個參數	。但疊加四五層之後，說明邊緣越明顯
。你很快就會明白。
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，
一道簡單的數學題
假設我們有一小塊圖片
，測量臉的立體形狀	，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
，叫 Sobel 算子（"算子"就是"計算工具"的意思）	
。處理一下、所以選擇了這樣的數字組合
。對每個位置都做一次這樣的計算。打個比方：所有人都在 74 分左右競爭，
給電腦看 1000 張貓的照片和 1000 張狗的照片，GPU 算力、為什麽這幾個數字能檢測邊緣？先看看它怎麽用	，結果的數字越大（不管是正還是負），就無法判斷對錯，加上"女人"，
整個過程不到一秒。
在此之前	，
疊加
：從線條到人臉
但一層檢測器還不夠	。綠色
、解鎖。
實際使用時，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
，數字越大，右下角是淺色（數字 200，
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，6000 萬參數，
解決方法是
：疊加很多層。完全不需要知道什麽是"臉"、動用了來自 167 個國家的近 5 萬名標注工人，這些可調整的數字	，有一個名字

，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。
2009 年

，不能告訴你"這是一隻眼睛"。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，下麵一行全是正數
，人類知道"要檢測垂直邊緣
，你會看到一個讓我非常震撼的例子："國王"減去"男人"，第三層找五官部件
，
讓我用一個簡化的例子來說明
。最終這個數據集包含了超過 1400 萬張標注好的圖片，你就找到了輪廓、
但如果讓電腦自己來選呢？
假設我們不再指定這 9 個數字，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

，數字大的地方
，無數種光線
。
這是 「AI是怎麽回事」係列的第 1篇
。就要比較左右兩邊的亮度"，所以這幾層叫"卷積層"）。
一個新的問題
理解了 AI 怎麽"認人"之後
，
有的變成了顏色變化檢測器
。把形狀變成部件	，什麽是"眼睛"，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，
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，數字越小越暗，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。背景可能是深色的，對應位置相乘再相加（這個操作的專業名稱叫"卷積"
，然後比較兩組數字有多接近
。至今已經用了半個多世紀。就能看到一個個小方塊
，覺得不錯的話，
反向傳播做的事情是：從最後的錯誤出發	
，把那個數字調小一點
每次調整的幅度都很小（比如 0.001）
，
這就是電腦"看"圖片的第一步
：找到所有顏色突變的位置。
如果我們換一塊顏色完全相同、一個三角形在中間，檢測更複雜的東西。這些"正確答案"是電腦學習的前提——沒有答案，
這需要大量的計算。但也很簡單——本質就是"比較左右兩邊的亮度差"。哪怕是一條 45° 的斜線	，
一個人的臉可以有無數種表情

、
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）。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，
這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，是為了讓檢測器更關注正中間一行的變化
，我一直很好奇 AI 到底是怎麽工作的，就能找到圖片裏顏色變化的地方。每一張都要把所有參數調整一遍。純白是 255，鼻子（一個三角形輪廓）、圖形處理器）來算
。這個檢測器會在整張圖片上一格一格地滑動，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊
	、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，

而關鍵是 ：每一層的檢測器裏的數字 ，把所有檢測器發現的信息都匯集在一起，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，歡迎分享+關注。

整個網絡包含 6000 萬個可調整的數字。但換了個發型，用普通電腦的 CPU（中央處理器 ，

2012 年，

這就是 AI 的"聰明" ：不是真的理解，檢測器關注的主要是五官區域的特征——發型變了，
有的變成了紋理檢測器。它隻是在做加減乘除 ：把像素變成邊緣，就能看到"臉"了 。為什麽？

先別急著回答。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 、讓檢測結果更穩定。到達一個"很少出錯"的狀態。

回到手機人臉識別

現在你知道手機是怎麽認出你的了。自己找到了有用的規律
。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 。保持

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