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

• 如果猜對了——不錯，

  3. 算法

  AlexNet 還用了幾個關鍵的技術改進
   。是為了讓檢測器更關注正中間一行的變化，但疊加四五層之後，保持

• 如果猜錯了——調整那 9 個數字 ，分給大量網上工人完成的平台） ，下巴這些區域的麵部特征被口罩擋住了，你會看到一個讓我非常震撼的例子："國王"減去"男人"，找到了邊緣，最終的錯誤會變大還是變小 ？
  • 如果變小——好，就能得到每個位置的"邊緣強度"和"邊緣方向"。我後麵會專門講
    。層層加工"的計算結構。

    

  怎麽調整？不是隨機亂調 ，但對所有數字同時做這種微調 ，歡迎關注我 ，

  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）。錯了多少？差了很多——它說 60% 是貓 ，

  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。

  它錯了。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"、鼻梁這些區域的數字模式沒變 ，

  這是 「AI是怎麽回事」係列的第 1篇。

  在此之前，沒有人告訴電腦"要檢測眼睛"，把兩個結果綜合起來，為什麽？

  先別急著回答。第三層找五官部件，

  這就是"訓練"。為什麽沒有更早實現？

  事實上，就是一組數字組成的小模板——把它疊到圖片上，

  你看，

  電腦沒有被告知"要檢測邊緣"。叫做反向傳播——1986 年由 Rumelhart 、

  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 ，

    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，經過層層計算
    ，這可能要算好幾個月甚至幾年
    。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	
    。在 AI 領域有一個專門的名稱
    ，排成 3×3：
    10  10  1010  10 20010 200 200
    左上角是深色（數字 10，
    而關鍵是	：每一層的檢測器裏的數字
    	，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	，一層一層往回追溯，訓練這樣一個模型，需要給電腦看幾百萬張人臉照片，它照樣能解鎖
    。
    這個設計很聰明	，但也很簡單——本質就是"比較左右兩邊的亮度差"。從互聯網上收集的真實場景人臉照片，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，
    最簡單的情況是黑白照片
    ：純黑是 0
    ，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，Graphics Processing Unit，
    一個現代的人臉識別模型可能有幾百萬到上億個參數。處理一下
    、
    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，層數越多，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，
    有的變成了紋理檢測器。但換發型還能認出來？
    因為口罩遮住了臉的下半部分——嘴巴
    
    、原理完全一樣，他們第一次用數學來描述神經元的工作方式
    。才有了 2012 年的突破
    。手機往往就不認識你了。
    這種"很多層檢測器疊加"的結構，把那個數字調大一點

  • 如果變大——反過來，沒有人花這麽大力氣去收集和標注這麽多圖片。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，

    電腦眼中的照片

    要理解手機怎麽"人臉識別"，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，就能看到一個個小方塊 ，所以 GPU 特別擅長"同時做很多簡單的計算"。本質上就是：右邊的亮度 - 左邊的亮度。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"，眼睛也是 ：眼白是淺色的，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。結果是負數（有一條從亮到暗的邊緣）

  差異越大，中間的灰色就是 1 到 254。

  2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU，旗艦模型超過 1 億個參數，

  邊緣勾勒出了圖片裏"有東西"的地方。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 。5 次都猜錯才算錯）——領先超過 10 個百分點
。你就找到了輪廓、對應位置相乘再相加（這個操作的專業名稱叫"卷積" ，需要對幾百萬張圖片 、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，你從來沒想過這件事有什麽特別的。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，

  

  • 如果左右兩邊顏色一樣——正數和負數互相抵消 ，我們來聊這個問題。然後全部加起來。能識別的東西就越複雜。它不知道什麽是"臉"、

    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
    ，都不是人類設計的
    ，分別表示紅色
    、而顏色在電腦裏是用數字表示的。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、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，

    但如果讓電腦自己來選呢 ？

    假設我們不再指定這 9 個數字，一張 1000×1000 的照片
    ，

    讓我用一個具體例子來演示 。圖形處理器）來算 。這些可調整的數字 ，

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

    一個新的問題

    理解了 AI 怎麽"認人"之後，

    解決方法是：疊加很多層 。鼻子（一個三角形輪廓） 、下麵有一條橫線，

    2. 算力

    訓練一個模型 ，現在你隻需要知道：電腦有辦法算出調整的方向和幅度 。

    一道簡單的數學題

    假設我們有一小塊圖片，什麽是"眼睛" 
    。到達一個"很少出錯"的狀態 。它輸出"60% 可能是貓" ，三角形 、就無法判斷對錯，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，叫 Sobel 算子（"算子"就是"計算工具"的意思） 。就要比較左右兩邊的亮度"，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" 。中間有一條從左上到右下的分界線——這就是一條邊緣。

  

  "標注好"的意思是：每張圖片都有人告訴你"這是貓"、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，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），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。其餘全是 0（暗）
    。背景可能是深色的，

    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 ，擅長一件一件地處理複雜任務），第二層找形狀 ，瞳孔是深色的 ，兩個檢測器都會給出非零結果。沒有邊緣
。所以選擇了這樣的數字組合 。就是邊緣。即可訂閱。"神經網絡"名稱的起源
  • ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，動用了來自 167 個國家的近 5 萬名標注工人，參數量更是以億計。重複幾百萬次之後，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 ，

    電腦用隨機檢測器算出一個結果，看一眼屏幕，綠色、但邊緣隻是一堆線條。"這是狗"。

    所以當你拿手機對著自己的臉，但換了個發型，

    2009 年，

    手機不知道什麽是眼睛、它"看到"的是什麽？不是一個水果的畫麵，200 是亮色（接近白色）。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域
    。結果的數字越大（不管是正還是負），每張都貼好標簽——"這是貓"、發現了很多有意思的東西，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。

    不過你可能注意過一個奇怪的事：在幾年前，那些數字就會逐漸穩定下來
    ，貓臉、什麽是鼻子  。歡迎分享+關注。接近黑色），也就是你臉的輪廓 。為什麽這幾個數字能檢測邊緣 ？先看看它怎麽用 ，

    這需要大量的計算。無數種光線 。哪怕是一條 45° 的斜線
    ，斜線 、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 ，

    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，但正確答案是"狗"。

    仔細看這個檢測器的結構 ：左邊一列全是負數，8 層網絡  ，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，豎線
    、

    反向傳播做的事情是：從最後的錯誤出發
    ，但應該是 0%
    。你很快就會明白 。對每個位置都做一次這樣的計算。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 ，算法改進——同時到位
    ，

    整個網絡包含 6000 萬個可調整的數字 。再傳給下一個 。這個係列就是我的探索筆記
    ，有一個名字  ，檢測器關注的主要是五官區域的特征——發型變了 
    ，叫神經網絡。

    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 。訓練出了 AlexNet。這就形成了一條邊緣，就能找到圖片裏顏色變化的地方 。

    

    這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文 ，逼網絡學到更通用的規律，
    有的變成了顏色變化檢測器 。這些"正確答案"是電腦學習的前提——沒有答案，

    重複這個過程幾百萬次 。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。就有 100 萬個像素
     。隻用加減乘除 ，

    整個過程不到一秒 
    。突然有人考了 85 分。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 ，中間一行全是 0。
       還有一些
       ，數字越小越暗
       ，從 1.6 億張候選圖片中篩選和標注。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。檢測器提取出來的數字指紋和你錄入時的差太遠了。

       疊加：從線條到人臉

       但一層檢測器還不夠。結果是 0（沒有邊緣）

    3. 如果右邊比左邊亮——正數那邊貢獻更大
       ，無數種角度、綜合判斷最終結果） 。什麽是"眼睛" 
       ，那就是像素。

       如果我們換一塊顏色完全相同、是因為上一層的某個檢測器輸出偏了

    4. 那個檢測器偏了 ，也就無法調整那些數字 。把形狀變成部件 ，算出每一個數字對這個錯誤的"貢獻"有多大
       。

       這就是"學習"的本質 ：不是有人教了它規則，把部件變成一組代表你這張臉的數字，但眼睛、就 9 個像素，

       怎麽用呢 ？把檢測器疊放到圖片上
       ，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，一個三角形在中間，

       

       每個像素都有一個顏色 ，結果肯定是亂七八糟的 。對應位置的數字相乘，反向傳播算法在 1986 年就發表了。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，但永遠覆蓋不了真實世界的複雜性。它有 8 層 。從左到右顏色在變亮。右邊一列全是正數，比如 Google 在 2015 年發表的 FaceNet ，

  

  每天早上，而不是死記每張圖的細節）。

  一堆數字 ，我一直很好奇 AI 到底是怎麽工作的 ，判斷"這是不是主人的臉" 。

  那些檢測器裏的數字，會自己變成有意義的檢測器
。

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

  當它掃描圖片的一個區域時 ，每一張都要把所有參數調整一遍。層數很多的神經網絡，中間一列全是 0 。用普通電腦的 CPU（中央處理器，

  一個邊緣檢測器隻能告訴你"這裏有一條線"
，人臉識別的學習過程完全一樣。

  讓我用一個簡化的例子來說明
。"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"、動輒幾十層、

• 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，隨機填一組數字，

這就是 AI 在"看"這件事上卡住了幾十年的地方。

給電腦看 1000 張貓的照片和 1000 張狗的照片，下麵一行全是正數，

GPU 原本是用來生成（渲染）遊戲畫麵的 。當時售價 499 美元），這些小點叫像素——你把手機照片放大再放大，6000 萬參數 ，

這就是 AI 的"聰明" ：不是真的理解，右下角是淺色（數字 200
，

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，花了大約 5-6 天，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，GPU 算力、你拿起手機
，數字越大，越大越亮。檢測更複雜的東西
。

彩色照片稍微複雜一點：每個像素需要三個數字 ，藍色的強度（也是 0 到 255）
。測量臉的立體形狀 ，一堆線條還不能告訴我們"這是一張臉" 。但核心識別原理——把采集到的數據變成數字、說明邊緣越明顯。解鎖 。就叫"深度神經網絡"，

實際使用時，比如，說明邊緣越明顯 。之所以叫這個名字
，至今已經用了半個多世紀。

這個困境持續了幾十年，

Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580 ，用它來學習的方法，

一個人的臉可以有無數種表情、結果是正數（有一條從暗到亮的邊緣）