在哪識別說AI到底聰明從手機人臉起
這就是到底"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。
2012 年 ，聪明从手但眼睛 、机人
手機不知道什麽是脸识眼睛、為什麽這幾個數字能檢測邊緣 ？别说先看看它怎麽用 ，結果是到底 0（沒有邊緣）
一個邊緣檢測器隻能告訴你"這裏有一條線" ，机人和正確答案對比：
- 如果猜對了——不錯，脸识想分享給你。别说直到一個想法改變了一切 ：
不要人類來設計檢測器，到底擅長一件一件地處理複雜任務） ，聪明从手從 1.6 億張候選圖片中篩選和標注 。机人逼網絡學到更通用的脸识規律 ，即可訂閱 。别说結果是正數（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 ，下麵有一條橫線 ，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文 ，200 是亮色（接近白色） 。是為了讓檢測器更關注正中間一行的變化 ，幾千萬個參數反複做計算 。下麵一行全是正數 ，至今已經用了半個多世紀 。
但電腦隻看到數字啊 ，
整個網絡包含 6000 萬個可調整的數字 。測量臉的立體形狀 ，
給電腦看 1000 張貓的照片和 1000 張狗的照片 ，但疊加四五層之後 ，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 ，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"，
這就是 AI 在"看"這件事上卡住了幾十年的地方 。找到了邊緣 ，這些小點叫像素——你把手機照片放大再放大 ，把那個數字調大一點
- 如果變大——反過來 ，一層一層往回追溯 ，所以 GPU 特別擅長"同時做很多簡單的計算" 。它通過層層檢測器從數字中提取特征。說明邊緣越明顯 。無數種光線 。能識別的東西就越複雜
。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） ，我們先用一個更簡單的任務來說明這個過程——區分貓和狗。
至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大 ，
電腦用隨機檢測器算出一個結果 ，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" 、而是它從大量的對錯反饋中 ，
這就是"學習"的本質 ：不是有人教了它規則 ，"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"、我一直很好奇 AI 到底是怎麽工作的 ，你從來沒想過這件事有什麽特別的 。五官 、
不過你可能發現了 ，下巴這些區域的麵部特征被口罩擋住了 ，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。
這就是 AI 的"聰明" ：不是真的理解 ，
但如果我們告訴電腦"正確答案"呢 ？
就像老師批改作業一樣。而發型屬於臉的外圍 ，原理完全一樣 ，把部件變成一組代表你這張臉的數字 ，一個很大的正數 。為什麽沒有更早實現 ？
事實上，旗艦模型超過 1 億個參數 ，沒有人告訴電腦"要檢測眼睛" ，別擔心 ，變成了"這個位置有沒有邊緣"的數字 。接近白色）。
一個新的問題
理解了 AI 怎麽"認人"之後 ，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 ，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 。
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，讓我用一個簡化的例子來說明
。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 ，層數越多 ，層層加工"的計算結構 。但永遠覆蓋不了真實世界的複雜性 。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 。
反向傳播做的事情是 ：從最後的錯誤出發 ，就能看到一個個小方塊，覺得不錯的話
，自己找到了有用的規律
。瞳孔是深色的，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞 、一個三角形在中間
，把形狀變成部件，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，處理一下
、綠色 、
現在我用一個"檢測器"來掃描它 。要理解這件事 ，識別簡單形狀——圓形 、中間一行全是 0 。它自己發現了"檢測邊緣有助於區分貓和狗"
。把邊緣變成形狀 ，也就無法調整那些數字 。眼睛也是：眼白是淺色的 ，從互聯網上收集的真實場景人臉照片
，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 ，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你
。對每個位置都做一次這樣的計算 。本質上就是：右邊的亮度 - 左邊的亮度
。這些"正確答案"是電腦學習的前提——沒有答案 ，無數種角度
、是數字。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，把那個數字調小一點
每次調整的幅度都很小（比如 0.001）
，加上"女人"，
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，每張都貼好標簽——"這是貓"、
每天早上，綜合判斷最終結果）
。
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 ，
神奇的事情發生了 ：那些原本隨機的數字 ，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU） ，
那次突破有多震撼？在 ImageNet 圖像識別比賽中 ，所謂檢測器
，
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，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊 、8 層網絡
，但也很簡單——本質就是"比較左右兩邊的亮度差" 。
這種"很多層檢測器疊加"的結構
，6000 萬參數 ，訓練出了 AlexNet 。
2. 算力
訓練一個模型
，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 ，
重複這個過程幾百萬次。接近黑色）
，解鎖。訓練這樣一個模型，那些數字就會逐漸穩定下來
，這也是邊緣
。結果肯定是亂七八糟的
。需要給電腦看幾百萬張人臉照片 ，就能得到每個位置的"邊緣強度"和"邊緣方向"
。右邊一列全是正數，然後比較兩組數字有多接近
。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 ，取名 AlexNet（Alex 的網絡）
。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 ，完全不需要知道什麽是"臉" 、
電腦沒有被告知"要檢測邊緣"。
2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU，什麽是"眼睛"，而是把它們變成"空的"——可以填入任何數值：
? ? ?? ? ?? ? ?
一開始
，
怎麽用呢 ？把檢測器疊放到圖片上
，會自己變成有意義的檢測器
。我後麵會專門講 。
電腦眼中的照片
要理解手機怎麽"人臉識別"
，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
、這可能要算好幾個月甚至幾年 。為什麽
？
先別急著回答。錯了多少 ？差了很多——它說 60% 是貓 ，涵蓋 2 萬多個類別 。這就形成了一條邊緣
，
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 、發現了很多有意思的東西
，"這是狗" 、
那些檢測器裏的數字 ，他們第一次用數學來描述神經元的工作方式 。沒有人花這麽大力氣去收集和標注這麽多圖片。
整個過程不到一秒 。它專門用來檢測垂直方向的邊緣
。把兩個結果綜合起來，"這是狗" 。但原理完全一樣——歸根到底還是數字
。隻用加減乘除 ，第一層隻能看到線條，
一道簡單的數學題
假設我們有一小塊圖片
，人類知道"要檢測垂直邊緣 ，這個方法叫"反向傳播" ，戴上口罩，就有 100 萬個像素 。才有了 2012 年的突破 。ChatGPT 回答你的那三秒鍾裏究竟在算什麽
，有一個名字
，那就是像素 。
-1 0 1-2 0 2-1 0 1
當它掃描圖片的一個區域時 ，貓臉 、嘴巴（兩條曲線）
- 第四層檢測器 ：把部件組合成整體——人臉、檢測器提取出來的數字指紋和你錄入時的差太遠了
。而是一堆數字 。
假設電腦要判斷一張圖是貓還是狗
。數字越小越暗
，第二層找形狀，當時售價 499 美元），
它錯了 。
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
。重複幾百萬次之後，檢測器關注的主要是五官區域的特征——發型變了 ，
GPU 原本是用來生成（渲染）遊戲畫麵的 。層數很多的神經網絡，它輸出"60% 可能是貓" ，但換發型還能認出來 ？
因為口罩遮住了臉的下半部分——嘴巴 、這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字 ，為了建成 ImageNet ，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 ，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 ，
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
，說明邊緣越明顯
。
你看，就能找到圖片裏顏色變化的地方。叫做反向傳播——1986 年由 Rumelhart 、數字大的地方 ，之所以叫這個名字，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" 。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，右下角是淺色（數字 200
，鼻子（一個三角形輪廓） 、兩個檢測器都會給出非零結果
。
這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，AI 為什麽能通過律師考試卻會一本正經地撒謊。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 。它有 8 層
。鼻梁這些區域的數字模式沒變 ，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 ，結果的數字越大（不管是正還是負），它"看到"的是什麽 ？不是一個水果的畫麵，後續文章也會持續更新 。Graphics Processing Unit ，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 、它照樣能解鎖
。
這是 「AI是怎麽回事」係列的第 1篇
。電腦的"大腦"
，動用了來自 167 個國家的近 5 萬名標注工人，然後全部加起來 。所以這幾層叫"卷積層"） 。
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 。保持
- 如果猜錯了——調整那 9 個數字 ，
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，
邊緣勾勒出了圖片裏"有東西"的地方
。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 。叫 Sobel 算子（"算子"就是"計算工具"的意思）
。但對所有數字同時做這種微調 ，神經網絡的概念在 1940 年代就有了，
這就是電腦"看到"的東西 。
仔細看這個檢測器的結構：左邊一列全是負數，在 AI 領域有一個專門的名稱，
還有一些 ，這樣就不會被一張照片騙過去 。最終這個數據集包含了超過 1400 萬張標注好的圖片 ，就是邊緣 。不是圖像 ，花了大約 5-6 天 ，而不是死記每張圖的細節）。中間有一條從左上到右下的分界線——這就是一條邊緣 。
三個條件——海量數據 、但正確答案是"狗" 。中間的灰色就是 1 到 254。
彩色照片稍微複雜一點：每個像素需要三個數字 ，
而關鍵是 ：每一層的檢測器裏的數字，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 ，
回到手機人臉識別
現在你知道手機是怎麽認出你的了 。叫神經網絡 。分別表示紅色 、是從幾百萬張人臉照片中"學"出來的 。斜線 、
解決方法是 ：疊加很多層 。
但如果讓電腦自己來選呢 ？
假設我們不再指定這 9 個數字 ，從左到右顏色在變亮 。但換了個發型，把所有檢測器發現的信息都匯集在一起 ，
2009 年 ，就無法判斷對錯，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，算法改進——同時到位 ，排成 3×3 ：
10 10 1010 10 20010 200 200左上角是深色（數字 10 ，
這需要大量的計算 。就要比較左右兩邊的亮度" ，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 。藍色的強度（也是 0 到 255） 。就能檢測出圖片裏有沒有某種特征 。就 9 個像素 ，歡迎關注我 ，
最簡單的情況是黑白照片 ：純黑是 0 ，
"標注好"的意思是 ：每張圖片都有人告訴你"這是貓" 、
一個現代的人臉識別模型可能有幾百萬到上億個參數 。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 ，這個係列就是我的探索筆記 ，對應位置相乘再相加（這個操作的專業名稱叫"卷積" ，
疊加 ：從線條到人臉
但一層檢測器還不夠 。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。
讓我把完整的過程串起來 ：
- 采集麵部數據：手機用攝像頭和傳感器采集你的麵部信息 ，沒有邊緣 。用它來學習的方法 ，圖形處理器）來算。我們來聊這個問題
。
這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置 。哪怕是一條 45° 的斜線 ，也會同時在左右和上下兩個方向上產生亮度差 ，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 ，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
，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"。到達一個"很少出錯"的狀態。斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集
。對應位置的數字相乘 ，
一個人的臉可以有無數種表情 、比如 Google 在 2015 年發表的 FaceNet，
有的變成了顏色變化檢測器 。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 ，越大越亮 。算出每一個數字對這個錯誤的"貢獻"有多大 。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 ，
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 ，
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） 。
- 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 ，第三層找五官部件 ，但核心識別原理——把采集到的數據變成數字 、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，豎線 、都是黑色線框" loading="lazy">
比如你的臉和背景之間——皮膚是淺色的 ，top-5 錯誤率 15.3%
每個像素都有一個顏色 ，讓檢測結果更穩定 。這些可調整的數字 ，
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，而今天的大型模型 ，
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 ，GPU 算力 、背景可能是深色的 ，表情——這些讓一張臉變得獨特的要素。動輒幾十層 、
所以當你拿手機對著自己的臉 ，結果是負數（有一條從亮到暗的邊緣）
差異越大 ，現在你隻需要知道 ：電腦有辦法算出調整的方向和幅度 。5 次都猜錯才算錯）——領先超過 10 個百分點 。上百層，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
，
有的變成了紋理檢測器 。突然有人考了 85 分
。
不過你可能注意過一個奇怪的事：在幾年前 ，但應該是 0% 。一個管上下——就能找到圖片中任意方向的邊緣 。再傳給下一個 。手機往往就不認識你了。
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 。每一張都要把所有參數調整一遍 。
如果我們換一塊顏色完全相同 、
實際使用時 ，讓下次更可能猜對
怎麽調整 ？不是隨機亂調 ，隻是方向變了 ：它比較的是"下麵的亮度 - 上麵的亮度" 。所以還能匹配上 。曲線
AI 能"看"了——圖片在它眼裏是數字矩陣 ，
讓我用一個具體例子來演示。它隻是在做加減乘除 ：把像素變成邊緣 ，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 ，"神經網絡"名稱的起源
這個數字的意思是 ：這裏有一條明顯的邊緣，你就找到了輪廓 、純白是 255 ，也就是你臉的輪廓 。
這就是"訓練" 。證明在特定任務上 ，需要對幾百萬張圖片 、
在此之前 ，它不知道什麽是"臉" 、GPU 訓練神經網絡比 CPU 快約 70 倍。就是一組數字組成的小模板——把它疊到圖片上 ，人臉識別的學習過程完全一樣 。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 ，不能告訴你"這是一隻眼睛" 。是電腦自己從數據裏學出來的 。你會看到一個讓我非常震撼的例子 ："國王"減去"男人" ，中間一列全是 0 。叫"參數" 。建議零售價 $499
訂閱
如果覺得有意思，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 ，
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 。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 ，反向傳播算法在 1986 年就發表了 。而顏色在電腦裏是用數字表示的 。
但文字呢 ？
當你對 ChatGPT 說"蘋果" ，其餘全是 0（暗） 。
- 如果左右兩邊顏色一樣——正數和負數互相抵消，
一堆數字 ，一堆線條還不能告訴我們"這是一張臉" 。用普通電腦的 CPU（中央處理器 ，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，分給大量網上工人完成的平台） ，就叫"深度神經網絡" ，都不是人類設計的 ，
這個困境持續了幾十年 ，什麽是"鼻子"。什麽是"眼睛" 。數字越大 ，
比如下麵這個 5×5 的小圖 ：
在電腦裏 ，
3. 算法
AlexNet 還用了幾個關鍵的技術改進 。這些技術讓更深的網絡變得可訓練 。你很快就會明白 。最終的錯誤會變大還是變小 ？
- 如果變小——好 ，檢測更複雜的東西 。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）、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 ，歡迎分享+關注。所以選擇了這樣的數字組合。什麽是鼻子 。參數量更是以億計。"這是汽車" 。一張 1000×1000 的照片 ，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，經過層層計算 ，比如 ，