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） 。

不過你可能發現了，聪明从手最終的机人錯誤會變大還是變小
？

• 如果變小——好
  ，會自己變成有意義的脸识檢測器 。

  那為什麽到 2012 年才突然成功 ？别说

  因為三個條件終於同時湊齊了：

  1. 數據

  2009 年 ，分別表示紅色、到底GPU 算力、聪明从手每張都貼好標簽——"這是机人貓" 、第一層隻能看到線條，脸识把部件變成一組代表你這張臉的别说數字，

  這個困境持續了幾十年 ，到底就能得到每個位置的聪明从手"邊緣強度"和"邊緣方向" 。

  怎麽用呢？机人把檢測器疊放到圖片上 ，

  但如果我們告訴電腦"正確答案"呢？脸识

  就像老師批改作業一樣。不過你不需要把這個類比想得太深——它隻是别说一種"層層傳遞、歡迎分享+關注。

  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）。測量臉的立體形狀，我們來聊這個問題。但疊加四五層之後，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，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，

  2. 算力

  訓練一個模型
  ，無數種角度、
  有的變成了紋理檢測器。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，從左到右顏色在變亮 。和正確答案對比：

  • 如果猜對了——不錯 ，一個三角形在中間 ，

    比如下麵這個 5×5 的小圖：

    

    在電腦裏，它專門用來檢測垂直方向的邊緣。結果肯定是亂七八糟的 。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
    ，

    疊加：從線條到人臉

    但一層檢測器還不夠。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
     ，參數量更是以億計。沒有邊緣
    。需要給電腦看幾百萬張人臉照片
    ，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，

    這就是"學習"的本質：不是有人教了它規則
     ，

    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，斜線、叫做反向傳播——1986 年由 Rumelhart、這就形成了一條邊緣，

    在此之前，

    一個新的問題

    理解了 AI 怎麽"認人"之後 ，沒有人花這麽大力氣去收集和標注這麽多圖片
    。但核心識別原理——把采集到的數據變成數字、保持

  • 如果猜錯了——調整那 9 個數字，"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"
  、所以還能匹配上。你從來沒想過這件事有什麽特別的。之所以叫這個名字，

  這就是電腦"看到"的東西。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，層數越多，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）
  、重複幾百萬次之後，

  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 ，判斷"這是不是主人的臉" 。看一眼屏幕 ，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，

  回到手機人臉識別

  

  現在你知道手機是怎麽認出你的了 。

  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，手機往往就不認識你了。但應該是 0%。

    給電腦看 1000 張貓的照片和 1000 張狗的照片，中間的灰色就是 1 到 254。結果是 0（沒有邊緣）

  • 如果右邊比左邊亮——正數那邊貢獻更大
    ，下麵一行全是正數 ，眼睛也是：眼白是淺色的，貓臉、

    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，

    調大一點

  • 如果變大——反過來 ，

    那次突破有多震撼 ？在 ImageNet 圖像識別比賽中 ，別擔心 ，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，

    一堆數字，訓練這樣一個模型，哪怕是一條 45° 的斜線，結果的數字越大（不管是正還是負） ，都是黑色線框" loading="lazy">

    比如你的臉和背景之間——皮膚是淺色的 
    ，建議零售價 $499

  訂閱

  如果覺得有意思 ，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 ，你會看到一個讓我非常震撼的例子："國王"減去"男人"，是電腦自己從數據裏學出來的。我們先用一個更簡單的任務來說明這個過程——區分貓和狗。

    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，但對所有數字同時做這種微調	，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊
    、你拿起手機
    ，原理完全一樣，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	
    
    ，解鎖	
    。然後比較兩組數字有多接近
    。是數字。
    如果左右兩邊顏色一樣——正數和負數互相抵消
    ，接近黑色），每一張都要把所有參數調整一遍。涵蓋 2 萬多個類別。檢測更複雜的東西。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
    、比如，它"看到"的是什麽？不是一個水果的畫麵
    ，找到了邊緣
    ，所謂檢測器
    ，這些"正確答案"是電腦學習的前提——沒有答案
    ，叫 Sobel 算子（"算子"就是"計算工具"的意思）
    。一層一層往回追溯，就能看到"臉"了。
    不過你可能注意過一個奇怪的事：在幾年前
    ，錯了多少
    ？差了很多——它說 60% 是貓，但永遠覆蓋不了真實世界的複雜性。這可能要算好幾個月甚至幾年。
    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
    
    。你就找到了輪廓、排成 3×3：
    10  10  1010  10 20010 200 200
    左上角是深色（數字 10
    ，識別簡單形狀——圓形	、經過層層計算，人臉識別的學習過程完全一樣	。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	，但眼睛、隨機填一組數字	
    ，從 1.6 億張候選圖片中篩選和標注。所以選擇了這樣的數字組合
    。叫神經網絡。
    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
    ，花了大約 5-6 天
    
    ，右下角是淺色（數字 200	
    ，什麽是"眼睛"。
    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
    ，就是"深度學習"。中間一列全是 0	。
    一個現代的人臉識別模型可能有幾百萬到上億個參數	。取名 AlexNet（Alex 的網絡）。中間一行全是 0
    。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。逼網絡學到更通用的規律，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
    。數字大的地方
    ，
    如果我們換一塊顏色完全相同、Graphics Processing Unit	
    ，圖形處理器）來算。一個很大的正數
    。
    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。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，
    重複這個過程幾百萬次
    。為了建成 ImageNet，而發型屬於臉的外圍
    ，
    "標注好"的意思是	
    ：每張圖片都有人告訴你"這是貓"
    、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"
    。這樣就不會被一張照片騙過去。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，然後全部加起來。層數很多的神經網絡	，本質上就是：右邊的亮度 - 左邊的亮度
    。綜合判斷最終結果）	。斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。
    這就是 AI 在"看"這件事上卡住了幾十年的地方
    。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，"這是狗"、下巴這些區域的麵部特征被口罩擋住了
    ，但原理完全一樣——歸根到底還是數字
    。隻用加減乘除	
    ，而顏色在電腦裏是用數字表示的
    。動用了來自 167 個國家的近 5 萬名標注工人，什麽是"鼻子"	
    
    。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild
    ，也就是你臉的輪廓。它照樣能解鎖。數字越大
    
    ，
    這種"很多層檢測器疊加"的結構，現在你隻需要知道：電腦有辦法算出調整的方向和幅度
    。第三層找五官部件，它隻是在做加減乘除
    ：把像素變成邊緣，
    但電腦隻看到數字啊，人類知道"要檢測垂直邊緣，
    GPU 原本是用來生成（渲染）遊戲畫麵的。而不是死記每張圖的細節）。5 次都猜錯才算錯）——領先超過 10 個百分點。而今天的大型模型
    ，"這是汽車"。
    但文字呢？
    當你對 ChatGPT 說"蘋果"
    ，把所有檢測器發現的信息都匯集在一起，
    彩色照片稍微複雜一點：每個像素需要三個數字，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，AI 為什麽能通過律師考試卻會一本正經地撒謊。無數種光線。
    三個條件——海量數據	、
    3. 算法
    AlexNet 還用了幾個關鍵的技術改進
    。那就是像素。
    假設電腦要判斷一張圖是貓還是狗
    。斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。
    這需要大量的計算。為什麽沒有更早實現
    ？
    事實上
    ，讓下次更可能猜對
    怎麽調整？不是隨機亂調
    
    ，對應位置的數字相乘，
    你看
    ，即可訂閱
    。所以這幾層叫"卷積層"）。
    每天早上	，後續文章也會持續更新。藍色的強度（也是 0 到 255）。
    還有一些，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，完全不需要知道什麽是"臉"、它輸出"60% 可能是貓"
    ，
    這個數字的意思是
    ：這裏有一條明顯的邊緣
    ，鼻梁這些區域的數字模式沒變
    ，這也是邊緣。就無法判斷對錯，
    現在我用一個"檢測器"來掃描它。再傳給下一個
    。它不知道什麽是"臉"	、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
    
    ，純白是 255，叫"參數"
    。訓練出了 AlexNet。
    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
    ，讓電腦自己學
    。綠色、處理一下、就叫"深度神經網絡"，就能檢測出圖片裏有沒有某種特征。有一個名字，表情——這些讓一張臉變得獨特的要素。
    一個人的臉可以有無數種表情
    、GPU 訓練神經網絡比 CPU 快約 70 倍
    。
    手機不知道什麽是眼睛、
    一個邊緣檢測器隻能告訴你"這裏有一條線"，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。一張 1000×1000 的照片，擅長一件一件地處理複雜任務），就是邊緣。電腦的"大腦"
    ，
    那些檢測器裏的數字，
    最簡單的情況是黑白照片：純黑是 0	，覺得不錯的話
    ，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。檢測器關注的主要是五官區域的特征——發型變了
    ，
    Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，
    整個過程不到一秒
    。算法改進——同時到位，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，嘴巴（兩條曲線）

  • 第四層檢測器：把部件組合成整體——人臉、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  、

    神奇的事情發生了：那些原本隨機的數字
     ，這個方法叫"反向傳播"，接近白色）。什麽是"眼睛" ，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，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，

    這就是 AI 的"聰明" ：不是真的理解，是因為上一層的某個檢測器輸出偏了

  • 那個檢測器偏了
，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"、隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"。它自己發現了"檢測邊緣有助於區分貓和狗"。能識別的東西就越複雜。但換發型還能認出來？

    因為口罩遮住了臉的下半部分——嘴巴 、它有 8 層。一堆線條還不能告訴我們"這是一張臉" 。要理解這件事 ，這些可調整的數字，

    所以當你拿手機對著自己的臉 ，自己找到了有用的規律 。戴上口罩 ，6000 萬參數，說明邊緣越明顯。

    反向傳播做的事情是：從最後的錯誤出發，曲線

  • 第二層檢測器：把第一層找到的邊緣組合起來，

    至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，層層加工"的計算結構。也會同時在左右和上下兩個方向上產生亮度差 ，

    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，
    有的變成了顏色變化檢測器
    。

    解決方法是：疊加很多層 。

    

    每個像素都有一個顏色，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。

    這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。讓檢測結果更穩定。越大越亮。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，我一直很好奇 AI 到底是怎麽工作的，

    電腦用隨機檢測器算出一個結果
    ，突然有人考了 85 分 。

    但如果讓電腦自己來選呢？

    假設我們不再指定這 9 個數字 ，這個檢測器會在整張圖片上一格一格地滑動，

    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、對應位置相乘再相加（這個操作的專業名稱叫"卷積"，都不是人類設計的，就要比較左右兩邊的亮度"，動輒幾十層、

      電腦沒有被告知"要檢測邊緣"。

      2012 年
      ，而是把它們變成"空的"——可以填入任何數值：

      ?  ?  ??  ?  ??  ?  ?

      一開始，鼻子（一個三角形輪廓）、為什麽？

      先別急著回答。就 9 個像素，

      電腦眼中的照片

      要理解手機怎麽"人臉識別" ，對每個位置都做一次這樣的計算。不是圖像，

      這就是"訓練" 。把那個數字調小一點

    每次調整的幅度都很小（比如 0.001）  ，就能找到圖片裏顏色變化的地方。神經網絡的概念在 1940 年代就有了，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字 ，分給大量網上工人完成的平台），

    讓我用一個具體例子來演示。8 層網絡 ，從互聯網上收集的真實場景人臉照片，什麽是鼻子。但也很簡單——本質就是"比較左右兩邊的亮度差" 。上百層 ，

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

    當它掃描圖片的一個區域時，旗艦模型超過 1 億個參數 ，

    2009 年 ，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。你很快就會明白。

    這是 「AI是怎麽回事」係列的第 1篇。背景可能是深色的，第二層找形狀 ，在 AI 領域有一個專門的名稱 ，打個比方 ：所有人都在 74 分左右競爭，就能看到一個個小方塊 ，中間有一條從左上到右下的分界線——這就是一條邊緣。而是它從大量的對錯反饋中 ，

    邊緣勾勒出了圖片裏"有東西"的地方 。算出每一個數字對這個錯誤的"貢獻"有多大 。但邊緣隻是一堆線條 。把兩個結果綜合起來 ，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"
    ，豎線 、用普通電腦的 CPU（中央處理器，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 ，五官
    、

    實際使用時 ，也就無法調整那些數字。一個管上下——就能找到圖片中任意方向的邊緣。

    而關鍵是
    ：每一層的檢測器裏的數字 ，當時售價 499 美元）
    ，發現了很多有意思的東西，是從幾百萬張人臉照片中"學"出來的。說明邊緣越明顯。證明在特定任務上，兩個檢測器都會給出非零結果  。這些技術讓更深的網絡變得可訓練。

    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，所以 GPU 特別擅長"同時做很多簡單的計算"。

       

       想分享給你。把形狀變成部件 ，"神經網絡"名稱的起源
    2. ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文
       ，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 ，才有了 2012 年的突破。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"，這些小點叫像素——你把手機照片放大再放大 ，

       它錯了。檢測器提取出來的數字指紋和你錄入時的差太遠了。至今已經用了半個多世紀。一種讓深層網絡更容易訓練的數學技巧（叫 ReLU） ，數字越小越暗，幾千萬個參數反複做計算。是為了讓檢測器更關注正中間一行的變化，就有 100 萬個像素。用它來學習的方法，

       仔細看這個檢測器的結構 ：左邊一列全是負數
       ，沒有人告訴電腦"要檢測眼睛"，為什麽這幾個數字能檢測邊緣 ？先看看它怎麽用，它通過層層檢測器從數字中提取特征。

       讓我用一個簡化的例子來說明。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
       。把邊緣變成形狀，這個係列就是我的探索筆記，瞳孔是深色的 ，其餘全是 0（暗）。

       一道簡單的數學題

       假設我們有一小塊圖片，歡迎關注我，超過 1400 萬張標注圖片

    3. The data that transformed AI research — and possibly the world - Quartz — ImageNet 的建設過程 ，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
          ，結果是正數（有一條從暗到亮的邊緣）
       3. 如果左邊比右邊亮——負數那邊貢獻更大，

          2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU，他們第一次用數學來描述神經元的工作方式。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
          。最終這個數據集包含了超過 1400 萬張標注好的圖片，而是一堆數字 。那些數字就會逐漸穩定下來，不能告訴你"這是一隻眼睛"。需要對幾百萬張圖片、變成了"這個位置有沒有邊緣"的數字。就是一組數字組成的小模板——把它疊到圖片上，但換了個發型，反向傳播算法在 1986 年就發表了。我後麵會專門講 。

          

          這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，200 是亮色（接近白色）。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。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，三角形、直到一個想法改變了一切：

          不要人類來設計檢測器，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） ，

          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。右邊一列全是正數，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，"這是狗" 。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
，

  整個網絡包含 6000 萬個可調整的數字。結果是負數（有一條從亮到暗的邊緣）

差異越大 ，

這個設計很聰明，發表於 Nature