AI 能"看"了——圖片在它眼裏是數字矩陣 ，把那個數字調小一點

每次調整的机人幅度都很小（比如 0.001），後續文章也會持續更新。脸识這樣就不會被一張照片騙過去。别说叫"參數" 。到底所以選擇了這樣的聪明从手數字組合 。那可能是机人一張臉"

差異越大
，突然有人考了 85 分。說明邊緣越明顯。把那個數字調大一點

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

?  ?  ??  ?  ??  ?  ?

0.1  -0.3   0.50.2   0.1  -0.40.3   0.2   0.1

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" 、幾千萬個參數反複做計算。一層一層往回追溯
，

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 ，這些小點叫像素——你把手機照片放大再放大
，第一層隻能看到線條
，但正確答案是"狗"  。歡迎關注我，說明邊緣越明顯。分給大量網上工人完成的平台），第二層找形狀
，取名 AlexNet（Alex 的網絡）。層層加工"的計算結構。就 9 個像素，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 。

回到手機人臉識別

現在你知道手機是怎麽認出你的了 。而今天的大型模型，

那些檢測器裏的數字，你就找到了輪廓、沒有邊緣。神經網絡的概念在 1940 年代就有了 ，

現在我用一個"檢測器"來掃描它。三角形、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、本質上就是 ：右邊的亮度 - 左邊的亮度
。為什麽沒有更早實現 ？

事實上 ，藍色的強度（也是 0 到 255）。

這就是電腦"看到"的東西 。擅長一件一件地處理複雜任務） ，

解決方法是：疊加很多層
。

反向傳播做的事情是：從最後的錯誤出發，綜合判斷最終結果） 。

但電腦隻看到數字啊，

比如下麵這個 5×5 的小圖
：

在電腦裏，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，解鎖。但也很簡單——本質就是"比較左右兩邊的亮度差"。

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，瞳孔是深色的，

  它錯了。五官、檢測器提取出來的數字指紋和你錄入時的差太遠了。

  這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置。

  

  這就是 AI 在"看"這件事上卡住了幾十年的地方。豎線 、

  那次突破有多震撼 ？在 ImageNet 圖像識別比賽中，

  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  ，完全不需要知道什麽是"臉"
  、這就形成了一條邊緣，為什麽這幾個數字能檢測邊緣？先看看它怎麽用  ，8 層網絡 ，嘴巴（兩條曲線）

• 第四層檢測器：把部件組合成整體——人臉
  、

  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，
  還有一些 ，歡迎分享+關注。

  不過你可能注意過一個奇怪的事 ：在幾年前，所以還能匹配上 。一個管上下——就能找到圖片中任意方向的邊緣。

  

  這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，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
  ，找到了邊緣，處理一下、

  邊緣勾勒出了圖片裏"有東西"的地方。而不是死記每張圖的細節）。

  這需要大量的計算 。
  有的變成了紋理檢測器
  。

  

  叫做反向傳播——1986 年由 Rumelhart、

  彩色照片稍微複雜一點：每個像素需要三個數字，人臉識別的學習過程完全一樣。

  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）
   。它照樣能解鎖。"這是狗" 。什麽是鼻子 。

  你看
  ，斜線、數字越小越暗，涵蓋 2 萬多個類別。

  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 ，為什麽
  ？

  先別急著回答 。ChatGPT 回答你的那三秒鍾裏究竟在算什麽
  ，電腦的"大腦"，

  整個網絡包含 6000 萬個可調整的數字 。動用了來自 167 個國家的近 5 萬名標注工人 ，你會看到一個讓我非常震撼的例子："國王"減去"男人"，

  3. 算法

  AlexNet 還用了幾個關鍵的技術改進 。中間的灰色就是 1 到 254
  。

  一個現代的人臉識別模型可能有幾百萬到上億個參數 。保持

• 如果猜錯了——調整那 9 個數字，也會同時在左右和上下兩個方向上產生亮度差 ，讓電腦自己學 。但永遠覆蓋不了真實世界的複雜性 。一堆線條還不能告訴我們"這是一張臉"。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 ，

  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，需要給電腦看幾百萬張人臉照片 ，GPU 訓練神經網絡比 CPU 快約 70 倍
  。再傳給下一個 。不是圖像，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 ，參數量更是以億計
  。就叫"深度神經網絡" ，檢測器關注的主要是五官區域的特征——發型變了
  ，分別表示紅色、手機往往就不認識你了。接近黑色），包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。

  但如果我們告訴電腦"正確答案"呢？

  就像老師批改作業一樣。

  

  每天早上
  ，

  電腦用隨機檢測器算出一個結果，會自己變成有意義的檢測器。錯了多少 ？差了很多——它說 60% 是貓，旗艦模型超過 1 億個參數 ，數字大的地方，直到一個想法改變了一切：

  不要人類來設計檢測器 ，

  這個困境持續了幾十年，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文 ，AI 為什麽能通過律師考試卻會一本正經地撒謊。原理完全一樣，

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

  當它掃描圖片的一個區域時，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） ，

  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。

  仔細看這個檢測器的結構 ：左邊一列全是負數 ，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 ，結果肯定是亂七八糟的 。叫神經網絡。

  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，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 ，對每個位置都做一次這樣的計算 。把所有檢測器發現的信息都匯集在一起，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字 ，但原理完全一樣——歸根到底還是數字。建議零售價 $499

訂閱

如果覺得有意思，沒有人花這麽大力氣去收集和標注這麽多圖片 
。

2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU
，

• 如果左右兩邊顏色一樣——正數和負數互相抵消，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" ，經過層層計算，

  所以當你拿手機對著自己的臉 ，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
     ，訓練這樣一個模型，讓檢測結果更穩定。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，

     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，這可能要算好幾個月甚至幾年。然後比較兩組數字有多接近。比如，我後麵會專門講。

        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） 。49000 名標注工人來自 167 個國家

     2. 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
     3. NVIDIA GeForce GTX 580 - VideoCardz — GTX 580 於 2010 年 11 月發布
        ，就能找到圖片裏顏色變化的地方。不過你不需要把這個類比想得太深——它隻是一種"層層傳遞
        、而顏色在電腦裏是用數字表示的
        。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 ，

        整個過程不到一秒。曲線

     6. 第二層檢測器：把第一層找到的邊緣組合起來，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 ，

        但如果讓電腦自己來選呢？

        假設我們不再指定這 9 個數字，

        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。

        讓我用一個具體例子來演示 。這些技術讓更深的網絡變得可訓練。

        一道簡單的數學題

        假設我們有一小塊圖片，為了建成 ImageNet，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、沒有人告訴電腦"要檢測眼睛" ，識別簡單形狀——圓形  、它專門用來檢測垂直方向的邊緣。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域 。排成 3×3：

        10  10  1010  10 20010 200 200

        左上角是深色（數字 10，用它來學習的方法，每一張都要把所有參數調整一遍。而發型屬於臉的外圍 ，現在你隻需要知道：電腦有辦法算出調整的方向和幅度 。

        如果我們換一塊顏色完全相同 、下麵一行全是正數 ，就是一組數字組成的小模板——把它疊到圖片上，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 。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
         。

        讓我用一個簡化的例子來說明。能識別的東西就越複雜 。"這是狗"、GPU 算力、

        不過你可能發現了，兩個檢測器都會給出非零結果。把部件變成一組代表你這張臉的數字 ，是電腦自己從數據裏學出來的。檢測更複雜的東西 。別擔心，我們先用一個更簡單的任務來說明這個過程——區分貓和狗 
        。這個檢測器會在整張圖片上一格一格地滑動，他們第一次用數學來描述神經元的工作方式。但換了個發型，鼻子（一個三角形輪廓）、層數越多 ，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  ，它"看到"的是什麽 ？不是一個水果的畫麵
        ，所以這幾層叫"卷積層"）
         。下巴這些區域的麵部特征被口罩擋住了，一個很大的正數 。和正確答案對比：

        • 如果猜對了——不錯，算法改進——同時到位，對應位置的數字相乘，但邊緣隻是一堆線條 。這些可調整的數字，

          這就是"訓練" 。對應位置相乘再相加（這個操作的專業名稱叫"卷積"，戴上口罩，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、然後全部加起來。在 AI 領域有一個專門的名稱，那就是像素 。隨機填一組數字 ，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 ，

        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，就能檢測出圖片裏有沒有某種特征 。就是邊緣。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"
        ，這個方法叫"反向傳播"，純白是 255
        ，把形狀變成部件，

        Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580 ，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  ，想分享給你。中間有一條從左上到右下的分界線——這就是一條邊緣。隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度" 。斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。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，發表於 Nature

     7. ImageNet: A Large-Scale Hierarchical Image Database - Deng, Dong, Socher, Li, Li, Fei-Fei (2009) — ImageNet 數據集論文，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 。200 是亮色（接近白色） 。自己找到了有用的規律。

        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，打個比方 ：所有人都在 74 分左右競爭，但核心識別原理——把采集到的數據變成數字、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，是從幾百萬張人臉照片中"學"出來的。什麽是"眼睛"，

          但文字呢？

          當你對 ChatGPT 說"蘋果" ，貓臉、

          這是 「AI是怎麽回事」係列的第 1篇。下麵有一條橫線，你從來沒想過這件事有什麽特別的 。哪怕是一條 45° 的斜線，這些"正確答案"是電腦學習的前提——沒有答案，就能得到每個位置的"邊緣強度"和"邊緣方向"
          。那些數字就會逐漸穩定下來，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，

          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 、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"。

     最簡單的情況是黑白照片 ：純黑是 0
     ，什麽是"鼻子" 。而是一堆數字。

     2. 算力

     訓練一個模型 ，即可訂閱。至今已經用了半個多世紀。所以 GPU 特別擅長"同時做很多簡單的計算"。無數種光線 。綠色 、把兩個結果綜合起來 ，你拿起手機
     ，

     怎麽用呢 ？把檢測器疊放到圖片上，

     

     "標注好"的意思是
     ：每張圖片都有人告訴你"這是貓"、結果的數字越大（不管是正還是負），用普通電腦的 CPU（中央處理器
     ，才有了 2012 年的突破
     。從左到右顏色在變亮。從 1.6 億張候選圖片中篩選和標注。就能看到一個個小方塊，

     

     GPU 原本是用來生成（渲染）遊戲畫麵的。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，其餘全是 0（暗）。

     假設電腦要判斷一張圖是貓還是狗。覺得不錯的話
     ，

     手機不知道什麽是眼睛、判斷"這是不是主人的臉" 。人類知道"要檢測垂直邊緣，證明在特定任務上 ，要理解這件事 ，弧線

  3. 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）、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
     ，

     這個數字的意思是：這裏有一條明顯的邊緣，層數很多的神經網絡，