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
。豎線、机人

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到底邊緣（左右亮度差） 。用普通電腦的聪明从手 CPU（中央處理器，它怎麽找到邊緣？机人

答案讓我很驚訝：隻用簡單的加減乘除就能做到。斯坦福的脸识吳恩達（Andrew Ng）團隊就發表了一篇論文，

這個數字的别说意思是：這裏有一條明顯的邊緣 ，遊戲畫麵需要同時計算屏幕上幾百萬個像素的到底顏色  ，但疊加四五層之後，聪明从手

這個類比最早來自 1943 年 McCulloch 和 Pitts 的机人論文，但邊緣隻是脸识一堆線條。手機"看到"的别说是這樣的東西：

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 ，戴上口罩
，

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 、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，是因為上一層的某個檢測器輸出偏了
• 那個檢測器偏了
  ，然後全部加起來 。

  

  • 如果左右兩邊顏色一樣——正數和負數互相抵消，
    還有一些，你會看到一個讓我非常震撼的例子
    ："國王"減去"男人" ，

    你看
    ，說明邊緣越明顯。我們來聊這個問題 。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。它隻是在做加減乘除：把像素變成邊緣，接近白色）
    。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，說明邊緣越明顯。
    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，需要對幾百萬張圖片、
    現在我用一個"檢測器"來掃描它
    。斜線、這個係列就是我的探索筆記，層層加工"的計算結構。就是"深度學習"。
    而關鍵是：每一層的檢測器裏的數字，從互聯網上收集的真實場景人臉照片
    	，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"。它"看到"的是什麽？不是一個水果的畫麵
    ，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集
    。會自己變成有意義的檢測器。這些可調整的數字，那些數字就會逐漸穩定下來
    ，對應位置相乘再相加（這個操作的專業名稱叫"卷積"
    ，"這是狗"	、每一張都要把所有參數調整一遍
    。
    有的變成了顏色變化檢測器。
    這需要大量的計算。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 ，處理一下、第二層找形狀 ，200 是亮色（接近白色） 。結果是正數（有一條從暗到亮的邊緣）

  • 如果左邊比右邊亮——負數那邊貢獻更大，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，對每個位置都做一次這樣的計算 。比如 ，從 1.6 億張候選圖片中篩選和標注 。Graphics Processing Unit，就要比較左右兩邊的亮度" ，

    三個條件——海量數據、

    重複這個過程幾百萬次 。

    整個網絡包含 6000 萬個可調整的數字 。把兩個結果綜合起來 ，但對所有數字同時做這種微調，逼網絡學到更通用的規律
    ，但原理完全一樣——歸根到底還是數字 。

    

    這就是 AI 在"看"這件事上卡住了幾十年的地方
    。和正確答案對比：

    • 如果猜對了——不錯，

      假設電腦要判斷一張圖是貓還是狗 。

      這就是"學習"的本質：不是有人教了它規則，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），都是黑色線框" loading="lazy">

      比如你的臉和背景之間——皮膚是淺色的 ，保持

    • 如果猜錯了——調整那 9 個數字，

      回到手機人臉識別

      

      現在你知道手機是怎麽認出你的了。GPU 算力、這個檢測器會在整張圖片上一格一格地滑動
      ，就無法判斷對錯 ，

      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，

      

      無數種角度、也會同時在左右和上下兩個方向上產生亮度差 ，所以 GPU 特別擅長"同時做很多簡單的計算"。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  ，
      有的變成了紋理檢測器。然後比較兩組數字有多接近 。這可能要算好幾個月甚至幾年。而不是死記每張圖的細節） 。不是圖像，即可訂閱。叫神經網絡。"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"
    、訓練這樣一個模型
    ，

    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。中間一列全是 0
    。從左到右顏色在變亮。所以還能匹配上。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，

    比如下麵這個 5×5 的小圖：

    

    在電腦裏 ，

    但如果我們告訴電腦"正確答案"呢？

    就像老師批改作業一樣 。上百層，為了建成 ImageNet ，是電腦自己從數據裏學出來的。它輸出"60% 可能是貓" ，

    

    GPU 原本是用來生成（渲染）遊戲畫麵的。一堆線條還不能告訴我們"這是一張臉" 。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，

       一個新的問題

       理解了 AI 怎麽"認人"之後，他們第一次用數學來描述神經元的工作方式。想分享給你。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 ，就叫"深度神經網絡"，沒有人告訴電腦"要檢測眼睛"，這些小點叫像素——你把手機照片放大再放大，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、

       不過你可能注意過一個奇怪的事：在幾年前，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，嘴巴（兩條曲線）

    4. 第四層檢測器
       ：把部件組合成整體——人臉 、

       但電腦隻看到數字啊，第三層找五官部件，這樣就不會被一張照片騙過去。

       反向傳播做的事情是：從最後的錯誤出發 ，一層一層往回追溯，而是把它們變成"空的"——可以填入任何數值 ：

       ?  ?  ??  ?  ??  ?  ?

       一開始
       ，沒有邊緣
       。

       3. 算法

       AlexNet 還用了幾個關鍵的技術改進。每張都貼好標簽——"這是貓"
        、為什麽這幾個數字能檢測邊緣？先看看它怎麽用，鼻子（一個三角形輪廓）、接近黑色），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，直到一個想法改變了一切
       ：

       不要人類來設計檢測器 ，鼻梁這些區域的數字模式沒變 ，但換發型還能認出來 ？

       因為口罩遮住了臉的下半部分——嘴巴、電腦的"大腦"，變成了"這個位置有沒有邊緣"的數字。最終的錯誤會變大還是變小
       ？

       • 如果變小——好 ，就能檢測出圖片裏有沒有某種特征 。下麵有一條橫線 ，結果肯定是亂七八糟的。8 層網絡，重複幾百萬次之後
         ，這些技術讓更深的網絡變得可訓練  。

         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，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"，背景可能是深色的 ，但眼睛 、測量臉的立體形狀
         ，

         那次突破有多震撼？在 ImageNet 圖像識別比賽中 ，我一直很好奇 AI 到底是怎麽工作的，

         2012 年 ，右下角是淺色（數字 200，也就無法調整那些數字。綜合判斷最終結果）。

         怎麽用呢
         ？把檢測器疊放到圖片上 ，就能看到"臉"了 。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 、

         疊加：從線條到人臉

         但一層檢測器還不夠
         。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"、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，現在你隻需要知道：電腦有辦法算出調整的方向和幅度 。這也是邊緣
       。

       彩色照片稍微複雜一點 ：每個像素需要三個數字，但正確答案是"狗"。你很快就會明白。隨機填一組數字，它不知道什麽是"臉" 、層數很多的神經網絡，找到了邊緣，

       至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，純白是 255，建議零售價 $499

    訂閱

    如果覺得有意思，動用了來自 167 個國家的近 5 萬名標注工人，把形狀變成部件
    ，無數種光線。"神經網絡"名稱的起源

  • ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，

    這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。AI 為什麽能通過律師考試卻會一本正經地撒謊
    。第一層隻能看到線條，

    一堆數字，對應位置的數字相乘，神經網絡的概念在 1940 年代就有了 ，它通過層層檢測器從數字中提取特征 。而今天的大型模型，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 ，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，發現了很多有意思的東西 ，它自己發現了"檢測邊緣有助於區分貓和狗"。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。叫"參數"。一個管上下——就能找到圖片中任意方向的邊緣。

    電腦沒有被告知"要檢測邊緣"
    。是為了讓檢測器更關注正中間一行的變化，經過層層計算，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。旗艦模型超過 1 億個參數
    ，解鎖 。隻用加減乘除 ，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，檢測更複雜的東西。叫做反向傳播——1986 年由 Rumelhart 、

    這個設計很聰明 ，不能告訴你"這是一隻眼睛" 。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 ，手機往往就不認識你了  。

    但如果讓電腦自己來選呢？

    假設我們不再指定這 9 個數字，

    它錯了 。但換了個發型，擅長一件一件地處理複雜任務）
    ，

    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
      ，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） 、

      仔細看這個檢測器的結構 ：左邊一列全是負數，"這是汽車"。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
      ，就能得到每個位置的"邊緣強度"和"邊緣方向"。5 次都猜錯才算錯）——領先超過 10 個百分點。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"，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 ，

      一道簡單的數學題

      假設我們有一小塊圖片  ，涵蓋 2 萬多個類別 。

      但文字呢 ？

      當你對 ChatGPT 說"蘋果" ，

      

      每個像素都有一個顏色，

      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
      。兩個檢測器都會給出非零結果 。反向傳播算法在 1986 年就發表了。

      2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU，表情——這些讓一張臉變得獨特的要素 。需要給電腦看幾百萬張人臉照片，下巴這些區域的麵部特征被口罩擋住了，藍色的強度（也是 0 到 255）。

      在此之前 ，所以選擇了這樣的數字組合
       。是數字。但永遠覆蓋不了真實世界的複雜性
      。就 9 個像素，就能找到圖片裏顏色變化的地方
      。突然有人考了 85 分。貓臉、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，所以這幾層叫"卷積層"） 。原理完全一樣 ，

      解決方法是 ：疊加很多層。

      讓我用一個簡化的例子來說明。但也很簡單——本質就是"比較左右兩邊的亮度差"。

      手機不知道什麽是眼睛、但核心識別原理——把采集到的數據變成數字 、也就是你臉的輪廓。6000 萬參數 ，

      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。算出每一個數字對這個錯誤的"貢獻"有多大 。中間一行全是 0 。而發型屬於臉的外圍，加上"女人" ，這個方法叫"反向傳播" ，GPU 訓練神經網絡比 CPU 快約 70 倍  。數字大的地方，而是一堆數字
      。你拿起手機，

      • 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 ，什麽是"鼻子" 。數字越小越暗
      ，曲線

    • 第二層檢測器 ：把第一層找到的邊緣組合起來 
      ，哪怕是一條 45° 的斜線 ，把所有檢測器發現的信息都匯集在一起，那就是像素
       。把那個數字調大一點
    • 如果變大——反過來，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率
      。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 ，後續文章也會持續更新。

      所以當你拿手機對著自己的臉，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），

      2. 算力

      訓練一個模型，參數量更是以億計
      。人類知道"要檢測垂直邊緣，

      實際使用時 ，為什麽沒有更早實現  ？

      事實上，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、

      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）。所謂檢測器，分給大量網上工人完成的平台）
      ，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，人臉識別的學習過程完全一樣。歡迎關注我
      ，

      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 ，訓練出了 AlexNet
      。一個很大的正數。排成 3×3：

      10  10  1010  10 20010 200 200

      左上角是深色（數字 10，證明在特定任務上 ，把邊緣變成形狀，本質上就是：右邊的亮度 - 左邊的亮度 。結果的數字越大（不管是正還是負），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 ，分別表示紅色
      、它照樣能解鎖 。讓下次更可能猜對

    怎麽調整？不是隨機亂調，

    如果我們換一塊顏色完全相同、三角形 
    、沒有人花這麽大力氣去收集和標注這麽多圖片 。用它來學習的方法 ，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。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，五官、都不是人類設計的 ，

    那些檢測器裏的數字，最終這個數據集包含了超過 1400 萬張標注好的圖片
    ，別擔心，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。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"。

  一個現代的人臉識別模型可能有幾百萬到上億個參數。到達一個"很少出錯"的狀態。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  ，

  神奇的事情發生了：那些原本隨機的數字，為什麽？

  先別急著回答。叫 Sobel 算子（"算子"就是"計算工具"的意思）。

  

  每天早上，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，就是邊緣  。

  整個過程不到一秒 。看一眼屏幕，越大越亮 。瞳孔是深色的 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，

  這是 「AI是怎麽回事」係列的第 1篇。把那個數字調小一點

  每次調整的幅度都很小（比如 0.001） ，一張 1000×1000 的照片，就是一組數字組成的小模板——把它疊到圖片上，結果是負數（有一條從亮到暗的邊緣）

差異越大，

讓我用一個具體例子來演示
。

電腦用隨機檢測器算出一個結果 ，它專門用來檢測垂直方向的邊緣
。什麽是"眼睛"，就能看到一個個小方塊，圖形處理器）來算。我後麵會專門講。取名 AlexNet（Alex 的網絡）。當時售價 499 美元） ，"這是狗"。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 。之所以叫這個名字，檢測器關注的主要是五官區域的特征——發型變了，

這就是 AI 的"聰明"
：不是真的理解，

不過你可能發現了，

"標注好"的意思是 ：每張圖片都有人告訴你"這是貓" 、再傳給下一個
。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
，讓檢測結果更穩定
。你就找到了輪廓、幾千萬個參數反複做計算
。

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，就有 100 萬個像素 。自己找到了有用的規律 。什麽是"眼睛"。右邊一列全是正數，完全不需要知道什麽是"臉"、檢測器提取出來的數字指紋和你錄入時的差太遠了 。比如 Google 在 2015 年發表的 FaceNet  ，你從來沒想過這件事有什麽特別的
。

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
，數字越大 ，判斷"這是不是主人的臉" 。

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

當它掃描圖片的一個區域時，是從幾百萬張人臉照片中"學"出來的 。才有了 2012 年的突破。有一個名字，

邊緣勾勒出了圖片裏"有東西"的地方 。49000 名標注工人來自 167 個國家

像素 → 邊緣 → 形狀 → 部件 → 整體

每一層都是在上一層的基礎上，讓電腦自己學。什麽是鼻子 。動輒幾十層、把部件變成一組代表你這張臉的數字
，

這就是電腦"看到"的東西。歡迎分享+關注
。

電腦眼中的照片

要理解手機怎麽"人臉識別"，

一個邊緣檢測器隻能告訴你"這裏有一條線" ，

最簡單的情況是黑白照片 ：純黑是 0 ，我們先用一個更簡單的任務來說明這個過程——區分貓和狗  。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 。在 AI 領域有一個專門的名稱 ，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 。這就形成了一條邊緣 ，

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，

   2009 年，中間的灰色就是 1 到 254 。

   這種"很多層檢測器疊加"的結構，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  ，一個三角形在中間，它有 8 層 。識別簡單形狀——圓形 、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，花了大約 5-6 天，打個比方：所有人都在 74 分左右競爭 ，

   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，而是它從大量的對錯反饋中
   ，