而關鍵是到底 ：每一層的檢測器裏的數字 ，不是聪明从手圖像 ，

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，机人而顏色在電腦裏是脸识用數字表示的。結果是别说 0（沒有邊緣）
如果右邊比左邊亮——正數那邊貢獻更大，在 AI 領域有一個專門的到底名稱，它自己在反複的聪明从手"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	。
如果我們換一塊顏色完全相同、机人AlexNet 將錯誤率從同年第二名的脸识 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
，Graphics Processing Unit，别说
給電腦看 1000 張貓的到底照片和 1000 張狗的照片，這些"正確答案"是聪明从手電腦學習的前提——沒有答案
，無數種角度
、机人然後比較兩組數字有多接近。脸识那就是别说像素。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、讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你
。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，三角形、然後全部加起來	。花了大約 5-6 天，而發型屬於臉的外圍，"這是狗"
、排成 3×3
：
10  10  1010  10 20010 200 200
左上角是深色（數字 10，也會同時在左右和上下兩個方向上產生亮度差，測量臉的立體形狀，最終的錯誤會變大還是變小？
如果變小——好
，
電腦沒有被告知"要檢測邊緣"。是電腦自己從數據裏學出來的。
重複這個過程幾百萬次
。就是"深度學習"。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
。為什麽這幾個數字能檢測邊緣？先看看它怎麽用
，變成了"這個位置有沒有邊緣"的數字
。就能找到圖片裏顏色變化的地方。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，下麵有一條橫線，會自己變成有意義的檢測器。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。
這就是電腦"看"圖片的第一步：找到所有顏色突變的位置
。
疊加
：從線條到人臉
但一層檢測器還不夠
。一個三角形在中間
，讓電腦自己學	。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"	，最終這個數據集包含了超過 1400 萬張標注好的圖片	
，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。把形狀變成部件	，即可訂閱。就能得到每個位置的"邊緣強度"和"邊緣方向"。隨機填一組數字	，斜線
、這也是邊緣。想分享給你。
手機不知道什麽是眼睛、
在此之前，它輸出"60% 可能是貓"，
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。歡迎關注我
，叫神經網絡	。就 9 個像素

，
整個過程不到一秒。需要對幾百萬張圖片、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，都是黑色線框" loading="lazy">
比如你的臉和背景之間——皮膚是淺色的
，
解決方法是
：疊加很多層。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，從互聯網上收集的真實場景人臉照片
，但永遠覆蓋不了真實世界的複雜性	。所謂檢測器
，現在你隻需要知道
：電腦有辦法算出調整的方向和幅度
。
彩色照片稍微複雜一點：每個像素需要三個數字	，一個管上下——就能找到圖片中任意方向的邊緣。中間的灰色就是 1 到 254	。
這個數字的意思是：這裏有一條明顯的邊緣，就叫"深度神經網絡"	，
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	，結果肯定是亂七八糟的
。這些可調整的數字
，叫"參數"。
讓我用一個具體例子來演示。加上"女人"，
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
，"神經網絡"名稱的起源
ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，突然有人考了 85 分。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
，叫 Sobel 算子（"算子"就是"計算工具"的意思） 。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
，

但如果讓電腦自己來選呢
？

假設我們不再指定這 9 個數字
，第一層隻能看到線條
，參數量更是以億計。但換發型還能認出來？

因為口罩遮住了臉的下半部分——嘴巴 、別擔心 
，

一個人的臉可以有無數種表情
 、叫做反向傳播——1986 年由 Rumelhart、

但文字呢
？

當你對 ChatGPT 說"蘋果"，它照樣能解鎖。需要給電腦看幾百萬張人臉照片 ，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，哪怕是一條 45° 的斜線
，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），

它錯了。隻用加減乘除，5 次都猜錯才算錯）——領先超過 10 個百分點  。和正確答案對比 ：

• 如果猜對了——不錯 ，你會看到一個讓我非常震撼的例子："國王"減去"男人" ，動輒幾十層 、

  但電腦隻看到數字啊，這就形成了一條邊緣，說明邊緣越明顯。就能看到一個個小方塊，什麽是鼻子。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，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"，都不是人類設計的
  ，比如，擅長一件一件地處理複雜任務），
  有的變成了紋理檢測器。涵蓋 2 萬多個類別。後續文章也會持續更新。6000 萬參數 ，重複幾百萬次之後，讓檢測結果更穩定
  。純白是 255 ，這些技術讓更深的網絡變得可訓練
  。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。

  這是 「AI是怎麽回事」係列的第 1篇。把所有檢測器發現的信息都匯集在一起，而是把它們變成"空的"——可以填入任何數值：

  ?  ?  ??  ?  ??  ?  ?

  一開始，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" 、分給大量網上工人完成的平台），而是它從大量的對錯反饋中，接近黑色），

  

  這就是 AI 在"看"這件事上卡住了幾十年的地方 。對每個位置都做一次這樣的計算。
  還有一些，直到一個想法改變了一切
  ：

  不要人類來設計檢測器 ，要理解這件事，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），

  仔細看這個檢測器的結構：左邊一列全是負數，

  一個邊緣檢測器隻能告訴你"這裏有一條線"，

  這就是"訓練"。反向傳播算法在 1986 年就發表了
  。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 。

  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）。層數越多，當時售價 499 美元），分別表示紅色、

  比如下麵這個 5×5 的小圖 ：

  

  在電腦裏，數字大的地方，

  一堆數字
  ，

  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 。層層加工"的計算結構 。數字越大 ，

  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，比如 Google 在 2015 年發表的 FaceNet，
  有的變成了顏色變化檢測器。接近白色）。歡迎分享+關注 。中間有一條從左上到右下的分界線——這就是一條邊緣。為什麽？

  先別急著回答。他們第一次用數學來描述神經元的工作方式。人類知道"要檢測垂直邊緣，沒有人告訴電腦"要檢測眼睛"
  ，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文  ，這樣就不會被一張照片騙過去。而今天的大型模型，

  三個條件——海量數據 、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，

  現在我用一個"檢測器"來掃描它 。看一眼屏幕，電腦的"大腦"，

  神奇的事情發生了：那些原本隨機的數字 ，每一張都要把所有參數調整一遍。綜合判斷最終結果） 。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，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊 、什麽是"眼睛"。證明在特定任務上 ，

  這種"很多層檢測器疊加"的結構，識別簡單形狀——圓形 、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，把邊緣變成形狀 ，

  那次突破有多震撼 ？在 ImageNet 圖像識別比賽中 
  ，你拿起手機，能識別的東西就越複雜 。但也很簡單——本質就是"比較左右兩邊的亮度差"。是數字
  。

  

  每天早上，把那個數字調大一點

• 如果變大——反過來，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，但換了個發型 ，右邊一列全是正數 ，才有了 2012 年的突破。檢測更複雜的東西。為什麽沒有更早實現？

  事實上  ，原理完全一樣 ，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，

  • 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，有一個名字 ，但邊緣隻是一堆線條 。

  邊緣勾勒出了圖片裏"有東西"的地方。中間一行全是 0 。

  但如果我們告訴電腦"正確答案"呢？

  就像老師批改作業一樣
  。訓練出了 AlexNet。而不是死記每張圖的細節）。找到了邊緣，

  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、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，而是一堆數字。

    讓我用一個簡化的例子來說明。旗艦模型超過 1 億個參數 ，不能告訴你"這是一隻眼睛"。

    

    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 。沒有人花這麽大力氣去收集和標注這麽多圖片。但眼睛、

    假設電腦要判斷一張圖是貓還是狗。判斷"這是不是主人的臉"。一個很大的正數
     。是因為上一層的某個檢測器輸出偏了

  • 那個檢測器偏了，訓練這樣一個模型，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，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，覺得不錯的話
    ，貓臉 、錯了多少 ？差了很多——它說 60% 是貓 ，"這是狗" 。這個係列就是我的探索筆記 ，從 1.6 億張候選圖片中篩選和標注。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，什麽是"鼻子"  。第三層找五官部件 ，神經網絡的概念在 1940 年代就有了，"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"、你很快就會明白。一層一層往回追溯，五官 、

  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，我們先用一個更簡單的任務來說明這個過程——區分貓和狗 。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 ，本質上就是：右邊的亮度 - 左邊的亮度 。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，但核心識別原理——把采集到的數據變成數字、

  這就是 AI 的"聰明"：不是真的理解 
  ，

  這需要大量的計算。我一直很好奇 AI 到底是怎麽工作的，但對所有數字同時做這種微調  ，你從來沒想過這件事有什麽特別的 。一堆線條還不能告訴我們"這是一張臉"
   。

  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，但原理完全一樣——歸根到底還是數字。對應位置的數字相乘
  ，用它來學習的方法
  ，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，

  電腦用隨機檢測器算出一個結果 ，中間一列全是 0。GPU 訓練神經網絡比 CPU 快約 70 倍 。

  實際使用時 ，

  這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。

  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，打個比方 ：所有人都在 74 分左右競爭 ，其餘全是 0（暗）。

     

     GPU 原本是用來生成（渲染）遊戲畫麵的
     。解鎖。瞳孔是深色的，

     一個現代的人臉識別模型可能有幾百萬到上億個參數 。檢測器提取出來的數字指紋和你錄入時的差太遠了。豎線、這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，表情——這些讓一張臉變得獨特的要素
     。"這是汽車"。

     

     每個像素都有一個顏色 ，曲線

  2. 第二層檢測器 ：把第一層找到的邊緣組合起來
     ，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 。就要比較左右兩邊的亮度" ，

     2012 年，

     這個困境持續了幾十年 ，也就是你臉的輪廓。讓下次更可能猜對

怎麽調整 ？不是隨機亂調 ，這些小點叫像素——你把手機照片放大再放大，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" 。也就無法調整那些數字 。動用了來自 167 個國家的近 5 萬名標注工人，

最簡單的情況是黑白照片 ：純黑是 0，

2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU，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 ，

所以當你拿手機對著自己的臉 ，背景可能是深色的，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，這可能要算好幾個月甚至幾年
。為了建成 ImageNet，所以還能匹配上。藍色的強度（也是 0 到 255）。

一道簡單的數學題

假設我們有一小塊圖片，建議零售價 $499

訂閱

如果覺得有意思，圖形處理器）來算。算法改進——同時到位，層數很多的神經網絡 ，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 ，至今已經用了半個多世紀。把兩個結果綜合起來 ，

不過你可能注意過一個奇怪的事：在幾年前，超過 1400 萬張標注圖片

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

像素 → 邊緣 → 形狀 → 部件 → 整體

整個過程沒有任何"理解" 。

不過你可能發現了，第二層找形狀 ，到達一個"很少出錯"的狀態。

每次調整的幅度都很小（比如 0.001），幾千萬個參數反複做計算。無數種光線
。上百層，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，算出每一個數字對這個錯誤的"貢獻"有多大。

2009 年，就無法判斷對錯，

"標注好"的意思是：每張圖片都有人告訴你"這是貓"、它"看到"的是什麽？不是一個水果的畫麵，兩個檢測器都會給出非零結果
。逼網絡學到更通用的規律，下麵一行全是正數，弧線

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

差異越大，把部件變成一組代表你這張臉的數字，你就找到了輪廓、8 層網絡，它通過層層檢測器從數字中提取特征。