10  10  1010  10 20010 200 200

左上角是机人深色（數字 10 ，

現在可以回答文章開頭的脸识那個問題了
：為什麽戴口罩手機就不認識你
，它怎麽找到邊緣 ？别说

答案讓我很驚訝 ：隻用簡單的加減乘除就能做到  。

整個網絡包含 6000 萬個可調整的到底數字 。你從來沒想過這件事有什麽特別的聪明从手。要理解這件事 ，机人

這種"很多層檢測器疊加"的脸识結構，加上"女人" ，别说但永遠覆蓋不了真實世界的複雜性 。叫神經網絡 。讓檢測結果更穩定。這些小點叫像素——你把手機照片放大再放大，和正確答案對比：

• 如果猜對了——不錯
  ，這可能要算好幾個月甚至幾年 。
  有的變成了紋理檢測器。

  2. 算力

  訓練一個模型 ，從 1.6 億張候選圖片中篩選和標注。

  一道簡單的數學題

  假設我們有一小塊圖片 ，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，數字越大
  ，層數很多的神經網絡
   ，什麽是"鼻子"。但邊緣隻是一堆線條。找到了邊緣，訓練出了 AlexNet 。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，下麵有一條橫線
  ，這個方法叫"反向傳播"，它隻是在做加減乘除：把像素變成邊緣  ，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，隻用加減乘除，GPU 算力
  、他們第一次用數學來描述神經元的工作方式 。

  

  GPU 原本是用來生成（渲染）遊戲畫麵的。中間一列全是 0。

  一堆數字 ，

  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、把形狀變成部件
    ，

    怎麽用呢 ？把檢測器疊放到圖片上 ，它自己發現了"檢測邊緣有助於區分貓和狗"。旗艦模型超過 1 億個參數，我們來聊這個問題。

    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，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"、每一張都要把所有參數調整一遍。

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

    • 如果猜錯了——調整那 9 個數字，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 ，

      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，

      

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

      但電腦隻看到數字啊
      ，讓電腦自己學 。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）、

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

      當它掃描圖片的一個區域時 ，接近白色）。

      

      每天早上，第一層隻能看到線條，但也很簡單——本質就是"比較左右兩邊的亮度差"。測量臉的立體形狀，

      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 ，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，眼睛也是：眼白是淺色的，但應該是 0%。

      讓我用一個具體例子來演示。

      • 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，檢測器關注的主要是五官區域的特征——發型變了
      ，純白是 255  ，所謂檢測器
      ，算法改進——同時到位，一堆線條還不能告訴我們"這是一張臉" 。

      給電腦看 1000 張貓的照片和 1000 張狗的照片，我們先用一個更簡單的任務來說明這個過程——區分貓和狗。變成了"這個位置有沒有邊緣"的數字。

      那次突破有多震撼 ？在 ImageNet 圖像識別比賽中，不是圖像，現在你隻需要知道：電腦有辦法算出調整的方向和幅度
       。至今已經用了半個多世紀 。人臉識別的學習過程完全一樣 。然後全部加起來。訓練這樣一個模型，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。有一個名字，曲線

    • 第二層檢測器：把第一層找到的邊緣組合起來 ，上百層
      ，為什麽沒有更早實現？

      事實上，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，為什麽 ？

      先別急著回答 。8 層網絡，我一直很好奇 AI 到底是怎麽工作的，突然有人考了 85 分
      。就叫"深度神經網絡" ，

      在此之前  ，想分享給你。藍色的強度（也是 0 到 255）。發現了很多有意思的東西，

      這是 「AI是怎麽回事」係列的第 1篇 。

      但文字呢？

      當你對 ChatGPT 說"蘋果" ，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  。

      但如果讓電腦自己來選呢
      ？

      假設我們不再指定這 9 個數字 ，對每個位置都做一次這樣的計算 。這就形成了一條邊緣，下巴這些區域的麵部特征被口罩擋住了 ，識別簡單形狀——圓形、什麽是鼻子。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"，

         

         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，

         這個困境持續了幾十年  ，才有了 2012 年的突破。所以 GPU 特別擅長"同時做很多簡單的計算"。

         最簡單的情況是黑白照片：純黑是 0
         ，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
          ，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，從互聯網上收集的真實場景人臉照片
         ，兩個檢測器都會給出非零結果。但換發型還能認出來？

         因為口罩遮住了臉的下半部分——嘴巴、嘴巴（兩條曲線）

      3. 第四層檢測器 ：把部件組合成整體——人臉、動用了來自 167 個國家的近 5 萬名標注工人 ，幾千萬個參數反複做計算。它有 8 層。

         這個設計很聰明，一個三角形在中間，就是邊緣。最終這個數據集包含了超過 1400 萬張標注好的圖片 ，結果是負數（有一條從亮到暗的邊緣）

    差異越大 ，需要給電腦看幾百萬張人臉照片，它通過層層檢測器從數字中提取特征。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" 。就能找到圖片裏顏色變化的地方 。而是把它們變成"空的"——可以填入任何數值：

    ?  ?  ??  ?  ??  ?  ?

    一開始，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 ，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" 
  。

  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 ，戴上口罩，是為了讓檢測器更關注正中間一行的變化，這也是邊緣。沒有人告訴電腦"要檢測眼睛" ，

    讓我用一個簡化的例子來說明。反向傳播算法在 1986 年就發表了。就是一組數字組成的小模板——把它疊到圖片上 ，

    現在我用一個"檢測器"來掃描它 。

    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 ，那些數字就會逐漸穩定下來，就能看到"臉"了 。判斷"這是不是主人的臉" 。

    比如下麵這個 5×5 的小圖 ：

    

    在電腦裏，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），能識別的東西就越複雜。"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" 、

  這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。這些"正確答案"是電腦學習的前提——沒有答案 ，但核心識別原理——把采集到的數據變成數字 、

  實際使用時，一層一層往回追溯 ，一個管上下——就能找到圖片中任意方向的邊緣。層數越多
  ，

  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） 。

  一個現代的人臉識別模型可能有幾百萬到上億個參數。GPU 訓練神經網絡比 CPU 快約 70 倍 。都是黑色線框" loading="lazy">

  比如你的臉和背景之間——皮膚是淺色的，

  假設電腦要判斷一張圖是貓還是狗 。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。數字越小越暗，用它來學習的方法  ，分給大量網上工人完成的平台） ，神經網絡的概念在 1940 年代就有了，

  這就是"訓練"。看一眼屏幕，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 
  ，

  彩色照片稍微複雜一點 ：每個像素需要三個數字 ，
  有的變成了顏色變化檢測器 。再傳給下一個。最終的錯誤會變大還是變小？

  • 如果變小——好
    ，用普通電腦的 CPU（中央處理器，建議零售價 $499

  訂閱

  如果覺得有意思，也就是你臉的輪廓。

  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。右下角是淺色（數字 200
  ，取名 AlexNet（Alex 的網絡）。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率 。手機往往就不認識你了 。隨機填一組數字，

  但如果我們告訴電腦"正確答案"呢
   ？

  就像老師批改作業一樣。把那個數字調大一點

  • 如果變大——反過來 ，一個很大的正數
    。

    神奇的事情發生了：那些原本隨機的數字
     ，其餘全是 0（暗）。把那個數字調小一點

  每次調整的幅度都很小（比如 0.001） ，

  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，層層疊加
  2. 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" ，就有 100 萬個像素
     。在 AI 領域有一個專門的名稱，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，五官、就能得到每個位置的"邊緣強度"和"邊緣方向" 。檢測更複雜的東西。打個比方 ：所有人都在 74 分左右競爭 ，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 ，右邊一列全是正數，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，"這是汽車"。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域 。

     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）。

     反向傳播做的事情是  ：從最後的錯誤出發，就 9 個像素，我後麵會專門講 。錯了多少？差了很多——它說 60% 是貓 ，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，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
     。而發型屬於臉的外圍，而今天的大型模型，

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

     這就是 AI 的"聰明"：不是真的理解，"神經網絡"名稱的起源

  4. ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，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
     ，這樣就不會被一張照片騙過去 。"這是狗"
     、背景可能是深色的，無數種角度 、結果的數字越大（不管是正還是負），都不是人類設計的，鼻梁這些區域的數字模式沒變，

     手機不知道什麽是眼睛、

     解決方法是 ：疊加很多層 。

     所以當你拿手機對著自己的臉 ，第三層找五官部件，比如 Google 在 2015 年發表的 FaceNet，它輸出"60% 可能是貓" ，

     這需要大量的計算。而是它從大量的對錯反饋中 ，

     整個過程不到一秒。什麽是"眼睛" ，也就無法調整那些數字。歡迎關注我，就能看到一個個小方塊，當時售價 499 美元），49000 名標注工人來自 167 個國家

  5. 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
  6. NVIDIA GeForce GTX 580 - VideoCardz — GTX 580 於 2010 年 11 月發布，別擔心，

     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，它照樣能解鎖 。比如，動輒幾十層
     、

     重複這個過程幾百萬次。

     一個新的問題

     理解了 AI 怎麽"認人"之後 ，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），就要比較左右兩邊的亮度"，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 。層層加工"的計算結構 。所以選擇了這樣的數字組合。自己找到了有用的規律。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"，沒有人花這麽大力氣去收集和標注這麽多圖片
     。擅長一件一件地處理複雜任務），貓臉 、經過層層計算，也會同時在左右和上下兩個方向上產生亮度差 ，電腦的"大腦" ，

     

     每個像素都有一個顏色  ，

     你看，

     2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU ，而顏色在電腦裏是用數字表示的。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，所以這幾層叫"卷積層"）。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，但原理完全一樣——歸根到底還是數字。到達一個"很少出錯"的狀態
     。之所以叫這個名字
     ，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。

     

     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 ，不能告訴你"這是一隻眼睛"。

     這個數字的意思是 ：這裏有一條明顯的邊緣，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 ，直到一個想法改變了一切：

     不要人類來設計檢測器 ，

     邊緣勾勒出了圖片裏"有東西"的地方 。是電腦自己從數據裏學出來的。從左到右顏色在變亮
     。中間的灰色就是 1 到 254 。

     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 。每張都貼好標簽——"這是貓" 、但換了個發型 ，你就找到了輪廓 、下麵一行全是正數 ，

     疊加：從線條到人臉

     但一層檢測器還不夠。把所有檢測器發現的信息都匯集在一起，哪怕是一條 45° 的斜線，

     一個人的臉可以有無數種表情、超過 1400 萬張標注圖片

  7. The data that transformed AI research — and possibly the world - Quartz — ImageNet 的建設過程 ，但疊加四五層之後，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，原理完全一樣 ，

  回到手機人臉識別

  

  現在你知道手機是怎麽認出你的了。叫做反向傳播——1986 年由 Rumelhart 、5 次都猜錯才算錯）——領先超過 10 個百分點 。對應位置的數字相乘，而不是死記每張圖的細節）
  。需要對幾百萬張圖片、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。說明邊緣越明顯。越大越亮
  。為什麽這幾個數字能檢測邊緣？先看看它怎麽用，是數字
  。

  它錯了
  。這個檢測器會在整張圖片上一格一格地滑動，沒有邊緣。數字大的地方，第二層找形狀 ，歡迎分享+關注。綜合判斷最終結果）。

  3. 算法

  AlexNet 還用了幾個關鍵的技術改進 。把部件變成一組代表你這張臉的數字，

  一個邊緣檢測器隻能告訴你"這裏有一條線"，檢測器提取出來的數字指紋和你錄入時的差太遠了
  。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，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，解鎖 。你會看到一個讓我非常震撼的例子："國王"減去"男人"，你很快就會明白。完全不需要知道什麽是"臉"、隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"。

  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。這個係列就是我的探索筆記 ，人類知道"要檢測垂直邊緣，是因為上一層的某個檢測器輸出偏了

• 那個檢測器偏了，所以還能匹配上 。表情——這些讓一張臉變得獨特的要素。證明在特定任務上
  ，那就是像素 。即可訂閱。叫 Sobel 算子（"算子"就是"計算工具"的意思） 。這些技術讓更深的網絡變得可訓練 。

  那些檢測器裏的數字 ，200 是亮色（接近白色） 。

  而關鍵是 ：每一層的檢測器裏的數字，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊 、斜線、接近黑色），後續文章也會持續更新 。

  仔細看這個檢測器的結構
  ：左邊一列全是負數
  ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，一張 1000×1000 的照片，什麽是"眼睛" 。綠色 、把兩個結果綜合起來，重複幾百萬次之後 ，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、斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，"這是狗" 。它專門用來檢測垂直方向的邊緣。這些可調整的數字 ，它不知道什麽是"臉"、但眼睛、而是一堆數字。發表於 Nature

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

，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，
"標注好"的意思是：每張圖片都有人告訴你"這是貓"、就無法判斷對錯，AI 為什麽能通過律師考試卻會一本正經地撒謊	。
電腦沒有被告知"要檢測邊緣"
。叫"參數"	。6000 萬參數，把邊緣變成形狀，豎線、說明邊緣越明顯
。
2012 年
，參數量更是以億計
。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