手機不知道什麽是眼睛、

2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU，

3. 算法

AlexNet 還用了幾個關鍵的技術改進 。有一個名字，識別簡單形狀——圓形、

那次突破有多震撼？在 ImageNet 圖像識別比賽中 ，然後全部加起來。接近白色）。什麽是"鼻子"。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，就是"深度學習"。算法改進——同時到位，在 AI 領域有一個專門的名稱 ，上百層，那些數字就會逐漸穩定下來，數字越小越暗 ，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、

電腦沒有被告知"要檢測邊緣"
。我一直很好奇 AI 到底是怎麽工作的，

實際使用時，第三層找五官部件，

整個過程不到一秒。這個方法叫"反向傳播" ，

解決方法是：疊加很多層 。

這個數字的意思是：這裏有一條明顯的邊緣 ，

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，就要比較左右兩邊的亮度"，看一眼屏幕，解鎖。完全不需要知道什麽是"臉"、曲線
• 第二層檢測器：把第一層找到的邊緣組合起來 ，下麵一行全是正數，

  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 ，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，而是一堆數字
  。它輸出"60% 可能是貓" ，200 是亮色（接近白色） 。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，這些"正確答案"是電腦學習的前提——沒有答案，打個比方：所有人都在 74 分左右競爭 ，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 ，人類知道"要檢測垂直邊緣，無數種角度、

  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）。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。至今已經用了半個多世紀。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、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，

  但電腦隻看到數字啊，是為了讓檢測器更關注正中間一行的變化，

  仔細看這個檢測器的結構：左邊一列全是負數 ，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），處理一下
  、

  這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。你就找到了輪廓、就能找到圖片裏顏色變化的地方 
  。叫神經網絡。即可訂閱。沒有邊緣
  。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。鼻梁這些區域的數字模式沒變 ，

  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，

  一個現代的人臉識別模型可能有幾百萬到上億個參數。要理解這件事，也就無法調整那些數字。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
  。
  還有一些 ，

  

  就無法判斷對錯 ，數字越大，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"
。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，就是邊緣。算出每一個數字對這個錯誤的"貢獻"有多大。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，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），AI 為什麽能通過律師考試卻會一本正經地撒謊。而今天的大型模型
，但對所有數字同時做這種微調，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，參數量更是以億計 。對每個位置都做一次這樣的計算 
。之所以叫這個名字 
，

這就是 AI 的"聰明"：不是真的理解，歡迎關注我 ，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" ，而是把它們變成"空的"——可以填入任何數值：

?  ?  ??  ?  ??  ?  ?

一開始，但疊加四五層之後，哪怕是一條 45° 的斜線，嘴巴（兩條曲線）

• 第四層檢測器：把部件組合成整體——人臉 、但換了個發型 ，一張 1000×1000 的照片
  ，第二層找形狀 ，我後麵會專門講 。最終的錯誤會變大還是變小？
  • 如果變小——好，三角形
    、是因為上一層的某個檢測器輸出偏了
  • 那個檢測器偏了 ，

    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 。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、弧線

  • 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） 、結果的數字越大（不管是正還是負） ，想分享給你。都是黑色線框" loading="lazy">

    比如你的臉和背景之間——皮膚是淺色的，

    如果我們換一塊顏色完全相同 、結果是 0（沒有邊緣）

  • 如果右邊比左邊亮——正數那邊貢獻更大，GPU 算力
    、動輒幾十層、隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"。隻用加減乘除 ，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，最終這個數據集包含了超過 1400 萬張標注好的圖片，

    2. 算力

    訓練一個模型，

    那些檢測器裏的數字，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" ，訓練這樣一個模型，

    神奇的事情發生了
    ：那些原本隨機的數字
    ，沒有人告訴電腦"要檢測眼睛" ，

    一個新的問題

    理解了 AI 怎麽"認人"之後，把兩個結果綜合起來，

    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，就叫"深度神經網絡" ，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 。鼻子（一個三角形輪廓） 、

    比如下麵這個 5×5 的小圖：

    

    在電腦裏，

    一個邊緣檢測器隻能告訴你"這裏有一條線"，

    這是 「AI是怎麽回事」係列的第 1篇。

    這就是電腦"看到"的東西 。

    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。"這是狗" 、它隻是在做加減乘除 ：把像素變成邊緣，

    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。"這是汽車" 。隨機填一組數字，比如，

    這就是"訓練" 。它有 8 層 。會自己變成有意義的檢測器。但邊緣隻是一堆線條 。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 ，但眼睛 、覺得不錯的話 ，

    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
       ，

       最簡單的情況是黑白照片：純黑是 0 ，一個管上下——就能找到圖片中任意方向的邊緣。證明在特定任務上 ，這些小點叫像素——你把手機照片放大再放大 ，"神經網絡"名稱的起源

    2. ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，擅長一件一件地處理複雜任務），兩個檢測器都會給出非零結果 。而顏色在電腦裏是用數字表示的
       。

       一道簡單的數學題

       假設我們有一小塊圖片
       ，原理完全一樣 ，
       有的變成了顏色變化檢測器 。

       

       這就是 AI 在"看"這件事上卡住了幾十年的地方。就能得到每個位置的"邊緣強度"和"邊緣方向"。

       這種"很多層檢測器疊加"的結構 ，重複幾百萬次之後 ，

       回到手機人臉識別

       

       現在你知道手機是怎麽認出你的了。歡迎分享+關注。現在你隻需要知道：電腦有辦法算出調整的方向和幅度 。為什麽
       ？

       先別急著回答。

       這個困境持續了幾十年 ，其餘全是 0（暗）。變成了"這個位置有沒有邊緣"的數字。結果肯定是亂七八糟的 。

       Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580 ，

       這就是電腦"看"圖片的第一步
       ：找到所有顏色突變的位置 。

       

       每個像素都有一個顏色，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色 ，

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

       這個設計很聰明 ，讓檢測結果更穩定
       。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 ，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。綜合判斷最終結果）。層數越多 ，

       但如果讓電腦自己來選呢？

       假設我們不再指定這 9 個數字，是從幾百萬張人臉照片中"學"出來的。

       給電腦看 1000 張貓的照片和 1000 張狗的照片，測量臉的立體形狀 ，保持

    3. 如果猜錯了——調整那 9 個數字，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你  。排成 3×3：

       10  10  1010  10 20010 200 200

       左上角是深色（數字 10，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，但正確答案是"狗"。超過 1400 萬張標注圖片

    4. The data that transformed AI research — and possibly the world - Quartz — ImageNet 的建設過程
       ，所以還能匹配上 。五官、是數字 。

       

       這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文 ，把形狀變成部件，它自己發現了"檢測邊緣有助於區分貓和狗" 。這樣就不會被一張照片騙過去。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，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，

  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 、涵蓋 2 萬多個類別 。

    2009 年，貓臉、

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

    當它掃描圖片的一個區域時，所以 GPU 特別擅長"同時做很多簡單的計算"。就有 100 萬個像素。

    邊緣勾勒出了圖片裏"有東西"的地方。用它來學習的方法，和正確答案對比 ：

    • 如果猜對了——不錯，

      你看，說明邊緣越明顯 。而是它從大量的對錯反饋中，我們先用一個更簡單的任務來說明這個過程——區分貓和狗。什麽是"眼睛" ，

      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，訓練出了 AlexNet 。

      疊加 ：從線條到人臉

      但一層檢測器還不夠。斜線、那就是像素
       。都不是人類設計的，叫"參數"。把那個數字調小一點

    每次調整的幅度都很小（比如 0.001） ，

    一堆數字，數字大的地方，

    重複這個過程幾百萬次。

    現在我用一個"檢測器"來掃描它 。層層加工"的計算結構。層數很多的神經網絡，加上"女人"
     ，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 ，

    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
    ，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，你會看到一個讓我非常震撼的例子："國王"減去"男人"，豎線、把邊緣變成形狀
    ，表情——這些讓一張臉變得獨特的要素。但應該是 0%。而發型屬於臉的外圍	
    ，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"
    。分給大量網上工人完成的平台），把那個數字調大一點

  • 如果變大——反過來，

    彩色照片稍微複雜一點：每個像素需要三個數字 ，從 1.6 億張候選圖片中篩選和標注。綠色、

    

    GPU 原本是用來生成（渲染）遊戲畫麵的 。

    但如果我們告訴電腦"正確答案"呢 ？

    就像老師批改作業一樣 。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，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  ，

    不過你可能注意過一個奇怪的事：在幾年前，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 ，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，GPU 訓練神經網絡比 CPU 快約 70 倍
    。每張都貼好標簽——"這是貓"、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。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，

       電腦眼中的照片

       要理解手機怎麽"人臉識別"，

       • 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，人臉識別的學習過程完全一樣 。你拿起手機，發現了很多有意思的東西，但換發型還能認出來 ？

       因為口罩遮住了臉的下半部分——嘴巴、再傳給下一個。Graphics Processing Unit
       ，分別表示紅色、對應位置的數字相乘 ，你從來沒想過這件事有什麽特別的。中間一列全是 0。一個很大的正數。為什麽這幾個數字能檢測邊緣 ？先看看它怎麽用，但核心識別原理——把采集到的數據變成數字、中間有一條從左上到右下的分界線——這就是一條邊緣。你很快就會明白。別擔心，

       反向傳播做的事情是 ：從最後的錯誤出發，背景可能是深色的，把部件變成一組代表你這張臉的數字
       ，無數種光線 。

       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
       ，不能告訴你"這是一隻眼睛" 。為了建成 ImageNet ，也會同時在左右和上下兩個方向上產生亮度差 ，自己找到了有用的規律。所以選擇了這樣的數字組合 。錯了多少？差了很多——它說 60% 是貓，

       在此之前，這可能要算好幾個月甚至幾年。

       2012 年，而不是死記每張圖的細節） 。戴上口罩，

       怎麽用呢？把檢測器疊放到圖片上，旗艦模型超過 1 億個參數 ，是電腦自己從數據裏學出來的 。從互聯網上收集的真實場景人臉照片
       ，找到了邊緣，

       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，反向傳播算法在 1986 年就發表了。經過層層計算，這些可調整的數字
          ，它通過層層檢測器從數字中提取特征。但也很簡單——本質就是"比較左右兩邊的亮度差" 。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，

       

       每天早上，6000 萬參數 ，當時售價 499 美元），

       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）。

       它錯了。

       電腦用隨機檢測器算出一個結果 ，從左到右顏色在變亮 。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，

       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，"這是狗"。

       但文字呢 ？

       當你對 ChatGPT 說"蘋果"，接近黑色），就是一組數字組成的小模板——把它疊到圖片上，就能檢測出圖片裏有沒有某種特征
       。直到一個想法改變了一切：

       不要人類來設計檢測器，它專門用來檢測垂直方向的邊緣。讓下次更可能猜對

  怎麽調整？不是隨機亂調，檢測更複雜的東西
。下麵有一條橫線 ，瞳孔是深色的 ，

  

  • 如果左右兩邊顏色一樣——正數和負數互相抵消，叫 Sobel 算子（"算子"就是"計算工具"的意思）。就 9 個像素，

    這就是"學習"的本質 ：不是有人教了它規則，眼睛也是 ：眼白是淺色的，就能看到"臉"了 。結果是負數（有一條從亮到暗的邊緣）

  差異越大 ，8 層網絡 ，所以這幾層叫"卷積層"）。逼網絡學到更通用的規律  ，什麽是"眼睛"。才有了 2012 年的突破
。這個檢測器會在整張圖片上一格一格地滑動，後續文章也會持續更新 。判斷"這是不是主人的臉"
。用普通電腦的 CPU（中央處理器
，它"看到"的是什麽？不是一個水果的畫麵
，"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"、對應位置相乘再相加（這個操作的專業名稱叫"卷積"
，突然有人考了 85 分。什麽是鼻子  。檢測器提取出來的數字指紋和你錄入時的差太遠了 。下巴這些區域的麵部特征被口罩擋住了，一堆線條還不能告訴我們"這是一張臉" 。手機往往就不認識你了。這就形成了一條邊緣，把所有檢測器發現的信息都匯集在一起，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，就能看到一個個小方塊
，

一個人的臉可以有無數種表情
、它照樣能解鎖。

讓我用一個具體例子來演示。右邊一列全是正數  ，但永遠覆蓋不了真實世界的複雜性 。這也是邊緣 。結果是正數（有一條從暗到亮的邊緣）