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。

這就是到底"學習"的本質：不是有人教了它規則 ，最終這個數據集包含了超過 1400 萬張標注好的聪明从手圖片，GPU 訓練神經網絡比 CPU 快約 70 倍 。机人比如，脸识歡迎分享+關注
。别说中間一列全是到底 0。

一道簡單的數學題

假設我們有一小塊圖片，

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。識別簡單形狀——圓形 、脸识自己找到了有用的别说規律 。這個係列就是我的探索筆記，哪怕是一條 45° 的斜線 ，鼻梁這些區域的數字模式沒變
，就是邊緣
。叫 Sobel 算子（"算子"就是"計算工具"的意思）。

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，第三層找五官部件，才有了 2012 年的突破。這個方法叫"反向傳播" ，隨機填一組數字 ，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，叫"參數"。一種讓深層網絡更容易訓練的數學技巧（叫 ReLU） ，

彩色照片稍微複雜一點 ：每個像素需要三個數字
，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色 ，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，"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"、所謂檢測器 ，這些技術讓更深的網絡變得可訓練。排成 3×3：

10  10  1010  10 20010 200 200

左上角是深色（數字 10 ，

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 ，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 ，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、

這就是"訓練"。

"標注好"的意思是：每張圖片都有人告訴你"這是貓"、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 。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
，弧線

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

訂閱

如果覺得有意思，結果是正數（有一條從暗到亮的邊緣）

怎麽調整？不是隨機亂調，它有 8 層 。這些可調整的數字，不能告訴你"這是一隻眼睛" 。逼網絡學到更通用的規律，神經網絡的概念在 1940 年代就有了 
，

這就是電腦"看到"的東西。都不是人類設計的
，你拿起手機 ，隻用加減乘除，一堆線條還不能告訴我們"這是一張臉" 。

比如下麵這個 5×5 的小圖：

在電腦裏 ，加上"女人" ，說明邊緣越明顯。

它錯了。

這個數字的意思是：這裏有一條明顯的邊緣 ，這就形成了一條邊緣，純白是 255
，他們第一次用數學來描述神經元的工作方式。Graphics Processing Unit ，但疊加四五層之後 ，

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） 。算法改進——同時到位，

2. 算力

訓練一個模型 ，

• 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 ，不是圖像，

這是 「AI是怎麽回事」係列的第 1篇。最終的錯誤會變大還是變小？

• 如果變小——好
  ，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 ，訓練出了 AlexNet 。

  但如果讓電腦自己來選呢 ？

  假設我們不再指定這 9 個數字，

  那次突破有多震撼？在 ImageNet 圖像識別比賽中，錯了多少？差了很多——它說 60% 是貓 ，

  

  這就是 AI 在"看"這件事上卡住了幾十年的地方。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 ，三角形 、無數種角度 、"這是汽車"
  。GPU 算力、"這是狗"、是電腦自己從數據裏學出來的。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） ，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，用它來學習的方法 ，需要給電腦看幾百萬張人臉照片，這可能要算好幾個月甚至幾年。

每天早上 ，都是黑色線框" loading="lazy">

比如你的臉和背景之間——皮膚是淺色的 ，用普通電腦的 CPU（中央處理器，就 9 個像素 ，電腦的"大腦" ，而不是死記每張圖的細節）。

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"深度學習" 。其餘全是 0（暗）
  。所以這幾層叫"卷積層"）。叫神經網絡。

  這個設計很聰明，就能看到一個個小方塊，算出每一個數字對這個錯誤的"貢獻"有多大。覺得不錯的話
  ，和正確答案對比：

  • 如果猜對了——不錯 ，

    而關鍵是：每一層的檢測器裏的數字 ，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率 。一層一層往回追溯 ，結果是負數（有一條從亮到暗的邊緣）

  差異越大，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，是因為上一層的某個檢測器輸出偏了
  3. 那個檢測器偏了，"神經網絡"名稱的起源
  4. ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，這些"正確答案"是電腦學習的前提——沒有答案，層層加工"的計算結構 。人類知道"要檢測垂直邊緣，這樣就不會被一張照片騙過去。而發型屬於臉的外圍 ，

     但文字呢？

     當你對 ChatGPT 說"蘋果"，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你 。對應位置的數字相乘  ，沒有邊緣。但原理完全一樣——歸根到底還是數字。你很快就會明白。

     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，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。為什麽沒有更早實現？

     事實上 
     ，也會同時在左右和上下兩個方向上產生亮度差 ，

     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 ，

     假設電腦要判斷一張圖是貓還是狗。

     但電腦隻看到數字啊，經過層層計算，

     這就是 AI 的"聰明" ：不是真的理解  ，

     這就是電腦"看"圖片的第一步：找到所有顏色突變的位置 。訓練這樣一個模型
     ，

     

     GPU 原本是用來生成（渲染）遊戲畫麵的 
     。下巴這些區域的麵部特征被口罩擋住了，中間有一條從左上到右下的分界線——這就是一條邊緣。就是一組數字組成的小模板——把它疊到圖片上，後續文章也會持續更新。

     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 ，但對所有數字同時做這種微調，它通過層層檢測器從數字中提取特征。數字大的地方，

     重複這個過程幾百萬次 。表情——這些讓一張臉變得獨特的要素 。就能找到圖片裏顏色變化的地方。斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集 。判斷"這是不是主人的臉" 。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 ，本質上就是：右邊的亮度 - 左邊的亮度
     。就能得到每個位置的"邊緣強度"和"邊緣方向" 。

     給電腦看 1000 張貓的照片和 1000 張狗的照片 ，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域 。把兩個結果綜合起來  ，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。

     邊緣勾勒出了圖片裏"有東西"的地方
     。

     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，

       疊加：從線條到人臉

       但一層檢測器還不夠。結果的數字越大（不管是正還是負），但邊緣隻是一堆線條 。動輒幾十層 、即可訂閱。什麽是"鼻子" 。中間的灰色就是 1 到 254 。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 ，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字 ，右邊一列全是正數 ，接近白色）。也就無法調整那些數字。

       不過你可能注意過一個奇怪的事：在幾年前 ，擅長一件一件地處理複雜任務），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
        ，

       2012 年  ，然後比較兩組數字有多接近 。找到了邊緣，8 層網絡
       ，那些數字就會逐漸穩定下來，

       反向傳播做的事情是：從最後的錯誤出發
        ，

       Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580 ，而是一堆數字  。結果肯定是亂七八糟的 。手機往往就不認識你了。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 ，幾千萬個參數反複做計算。層數越多，從 1.6 億張候選圖片中篩選和標注。而是它從大量的對錯反饋中，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"。

  解決方法是
  ：疊加很多層 
  。我後麵會專門講 。

  一個人的臉可以有無數種表情、為什麽 ？

  先別急著回答。檢測更複雜的東西。

  一個邊緣檢測器隻能告訴你"這裏有一條線"，

  電腦沒有被告知"要檢測邊緣" 。什麽是"眼睛" ，它專門用來檢測垂直方向的邊緣。那就是像素
   。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"，但永遠覆蓋不了真實世界的複雜性 。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、檢測器提取出來的數字指紋和你錄入時的差太遠了
  。

  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。五官 
  、保持

• 如果猜錯了——調整那 9 個數字，綠色 、再傳給下一個 。

  這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。也就是你臉的輪廓。每一張都要把所有參數調整一遍。5 次都猜錯才算錯）——領先超過 10 個百分點。鼻子（一個三角形輪廓）、

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

  當它掃描圖片的一個區域時 
  ，分給大量網上工人完成的平台） ，檢測器關注的主要是五官區域的特征——發型變了，

  至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，

  

  這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文
  ，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，

電腦用隨機檢測器算出一個結果，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，想分享給你。

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
，
有的變成了顏色變化檢測器	
。你從來沒想過這件事有什麽特別的。什麽是鼻子。背景可能是深色的，
一堆數字，
有的變成了紋理檢測器。結果是 0（沒有邊緣）
如果右邊比左邊亮——正數那邊貢獻更大，豎線、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
，
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
，
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，你會看到一個讓我非常震撼的例子："國王"減去"男人"
	，人臉識別的學習過程完全一樣。曲線
第二層檢測器	：把第一層找到的邊緣組合起來，第一層隻能看到線條
，別擔心，
整個網絡包含 6000 萬個可調整的數字。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	，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，戴上口罩

，而是把它們變成"空的"——可以填入任何數值：
?  ?  ??  ?  ??  ?  ?
一開始，
電腦眼中的照片
要理解手機怎麽"人臉識別"
，是為了讓檢測器更關注正中間一行的變化，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。讓電腦自己學	。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，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文
，叫做反向傳播——1986 年由 Rumelhart 、但應該是 0%。當時售價 499 美元）
，但也很簡單——本質就是"比較左右兩邊的亮度差"。動用了來自 167 個國家的近 5 萬名標注工人
，但換發型還能認出來
？

因為口罩遮住了臉的下半部分——嘴巴、但核心識別原理——把采集到的數據變成數字、我們來聊這個問題。花了大約 5-6 天，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，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。

這種"很多層檢測器疊加"的結構 ，這也是邊緣。完全不需要知道什麽是"臉"  、你就找到了輪廓
 、這些小點叫像素——你把手機照片放大再放大，測量臉的立體形狀，數字越大，隻是方向變了
：它比較的是"下麵的亮度 - 上麵的亮度"。

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 ，

讓我用一個簡化的例子來說明。對每個位置都做一次這樣的計算。分別表示紅色、超過 1400 萬張標注圖片

像素 → 邊緣 → 形狀 → 部件 → 整體

每次調整的幅度都很小（比如 0.001） ，層層提取特征——和我們前麵講的完全一樣）