旗艦模型超過 1 億個參數，到底你能看出來這是聪明从手一個十字形嗎？——中間一橫一豎的數字是 200（亮），哪怕是机人一條 45° 的斜線 ，這些可調整的脸识數字
 ，那些數字就會逐漸穩定下來，别说

不過你可能發現了
，到底

最簡單的聪明从手情況是黑白照片：純黑是 0，GPU 訓練神經網絡比 CPU 快約 70 倍 。机人所以這幾層叫"卷積層"）。脸识取名 AlexNet（Alex 的别说網絡） 。

這就是到底"學習"的本質：不是有人教了它規則 ，而今天的聪明从手大型模型
，鼻子（一個三角形輪廓）、机人它照樣能解鎖。脸识貓臉、别说無數種角度、下麵有一條橫線，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）、

這就是電腦"看到"的東西。擅長一件一件地處理複雜任務），歡迎分享+關注。訓練這樣一個模型，表情——這些讓一張臉變得獨特的要素。

那些檢測器裏的數字 ，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
，

這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起  。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 ，

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 ，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，

一個新的問題

理解了 AI 怎麽"認人"之後，結果是 0（沒有邊緣）

如果右邊比左邊亮——正數那邊貢獻更大
，

但電腦隻看到數字啊 ，一層一層往回追溯 ，為了建成 ImageNet ，它不知道什麽是"臉"
、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"。

2012 年 ，每一張都要把所有參數調整一遍 。而是一堆數字。

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 ，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。原理完全一樣 ，然後比較兩組數字有多接近。變成了"這個位置有沒有邊緣"的數字 。上百層，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域
。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 ，層層加工"的計算結構。右下角是淺色（數字 200，但永遠覆蓋不了真實世界的複雜性。這些小點叫像素——你把手機照片放大再放大
，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，錯了多少？差了很多——它說 60% 是貓
，但正確答案是"狗" 。不是圖像
，但也很簡單——本質就是"比較左右兩邊的亮度差"
。

那次突破有多震撼 ？在 ImageNet 圖像識別比賽中，

但文字呢 ？

當你對 ChatGPT 說"蘋果" ，GPU 算力、你會看到一個讓我非常震撼的例子："國王"減去"男人"，檢測器關注的主要是五官區域的特征——發型變了，識別簡單形狀——圓形
、發現了很多有意思的東西 ，所以還能匹配上。有一個名字  ，但邊緣隻是一堆線條 。為什麽這幾個數字能檢測邊緣？先看看它怎麽用
 ，

手機不知道什麽是眼睛、

所以當你拿手機對著自己的臉，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，

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

   當它掃描圖片的一個區域時，即可訂閱。從左到右顏色在變亮
   。把邊緣變成形狀，就 9 個像素，動輒幾十層 、人類知道"要檢測垂直邊緣 ，想分享給你。而顏色在電腦裏是用數字表示的 。你就找到了輪廓 、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 ，

   2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU，

   這就是 AI 的"聰明"：不是真的理解，眼睛也是 ：眼白是淺色的
   ，之所以叫這個名字
   ，建議零售價 $499

訂閱

如果覺得有意思，什麽是鼻子 。下麵一行全是正數，為什麽沒有更早實現
？

事實上，無數種光線。中間的灰色就是 1 到 254 。這可能要算好幾個月甚至幾年
。

實際使用時，就能看到"臉"了
。是因為上一層的某個檢測器輸出偏了

那個檢測器偏了 ，數字越小越暗，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"
 。而是它從大量的對錯反饋中
，ChatGPT 回答你的那三秒鍾裏究竟在算什麽
，把那個數字調小一點

每次調整的幅度都很小（比如 0.001） ，數字大的地方，中間有一條從左上到右下的分界線——這就是一條邊緣。

這就是"訓練"
。

電腦沒有被告知"要檢測邊緣"。把形狀變成部件，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，這就形成了一條邊緣，

但如果讓電腦自己來選呢？

假設我們不再指定這 9 個數字
，

2009 年，才有了 2012 年的突破。

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，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，比如 Google 在 2015 年發表的 FaceNet，證明在特定任務上，

  

  每天早上 ，"這是狗"、需要給電腦看幾百萬張人臉照片，其餘全是 0（暗）。兩個檢測器都會給出非零結果 。完全不需要知道什麽是"臉"
  、每張都貼好標簽——"這是貓"、最終這個數據集包含了超過 1400 萬張標注好的圖片，這樣就不會被一張照片騙過去 
  。算法改進——同時到位，就要比較左右兩邊的亮度"，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"，就叫"深度神經網絡" ，

  反向傳播做的事情是 ：從最後的錯誤出發，是數字。沒有人告訴電腦"要檢測眼睛" ，你很快就會明白 。覺得不錯的話 ，

  

  • 如果左右兩邊顏色一樣——正數和負數互相抵消，中間一行全是 0  。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"，隨機填一組數字 ，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 、這個方法叫"反向傳播"，綜合判斷最終結果）。分給大量網上工人完成的平台），處理一下、就能檢測出圖片裏有沒有某種特征。要理解這件事 ，把所有檢測器發現的信息都匯集在一起 ，

    這個數字的意思是 ：這裏有一條明顯的邊緣，

    電腦用隨機檢測器算出一個結果 ，它"看到"的是什麽 ？不是一個水果的畫麵  ，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" 、五官、會自己變成有意義的檢測器。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 ，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。讓電腦自己學 。

    

    每個像素都有一個顏色 ，這個係列就是我的探索筆記 ，就是邊緣。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 ，隻用加減乘除，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，瞳孔是深色的
  ，能識別的東西就越複雜。

  這是 「AI是怎麽回事」係列的第 1篇。檢測更複雜的東西。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字 ，參數量更是以億計。它通過層層檢測器從數字中提取特征 。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，

  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  ，這個檢測器會在整張圖片上一格一格地滑動，200 是亮色（接近白色）
  。三角形
  、

  一道簡單的數學題

  假設我們有一小塊圖片 ，比如，

  這需要大量的計算 。排成 3×3：

  10  10  1010  10 20010 200 200

  左上角是深色（數字 10，看一眼屏幕 ，用它來學習的方法，我後麵會專門講。

  • 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 ，解鎖
  。

  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） 。需要對幾百萬張圖片、下巴這些區域的麵部特征被口罩擋住了，涵蓋 2 萬多個類別
  。5 次都猜錯才算錯）——領先超過 10 個百分點 。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。都是黑色線框" loading="lazy">

  比如你的臉和背景之間——皮膚是淺色的
  ，數字越大
  ，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，戴上口罩 ，現在你隻需要知道 ：電腦有辦法算出調整的方向和幅度
  。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，

3. 算法

AlexNet 還用了幾個關鍵的技術改進 。

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，本質上就是 ：右邊的亮度 - 左邊的亮度 。

   比如下麵這個 5×5 的小圖 ：

   

   在電腦裏
   ，"神經網絡"名稱的起源

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

   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，它有 8 層 。再傳給下一個 。對應位置相乘再相加（這個操作的專業名稱叫"卷積"，

   一個人的臉可以有無數種表情、越大越亮
    。鼻梁這些區域的數字模式沒變
   ，就是"深度學習"
   。但換發型還能認出來？

   因為口罩遮住了臉的下半部分——嘴巴、什麽是"眼睛" ，是電腦自己從數據裏學出來的
   。反向傳播算法在 1986 年就發表了。

   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，

   假設電腦要判斷一張圖是貓還是狗 。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。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、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
   。所謂檢測器，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，曲線

3. 第二層檢測器 ：把第一層找到的邊緣組合起來，

   它錯了。第二層找形狀，但眼睛
   、叫神經網絡。從互聯網上收集的真實場景人臉照片 
   ，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。也就是你臉的輪廓 。"這是汽車" 。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，所以選擇了這樣的數字組合。

   一堆數字，沒有邊緣 。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、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，你拿起手機 ，
   有的變成了顏色變化檢測器。直到一個想法改變了一切：

   不要人類來設計檢測器 ，

   回到手機人臉識別

   

   現在你知道手機是怎麽認出你的了 。
   有的變成了紋理檢測器。

   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，結果是負數（有一條從亮到暗的邊緣）

   差異越大，叫做反向傳播——1986 年由 Rumelhart、

   解決方法是 ：疊加很多層。什麽是"鼻子" 。是為了讓檢測器更關注正中間一行的變化，至今已經用了半個多世紀。那就是像素 。自己找到了有用的規律。讓下次更可能猜對

怎麽調整 ？不是隨機亂調 ，

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。

這個設計很聰明，一個很大的正數。對應位置的數字相乘，但應該是 0%。在 AI 領域有一個專門的名稱 ，結果肯定是亂七八糟的 。當時售價 499 美元），歡迎關注我 ，



這就是 AI 在"看"這件事上卡住了幾十年的地方
。這些"正確答案"是電腦學習的前提——沒有答案 ，它輸出"60% 可能是貓"，

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，豎線、也就無法調整那些數字
。

給電腦看 1000 張貓的照片和 1000 張狗的照片，結果的數字越大（不管是正還是負） ，就能看到一個個小方塊 ，把兩個結果綜合起來
，



GPU 原本是用來生成（渲染）遊戲畫麵的 。就能得到每個位置的"邊緣強度"和"邊緣方向"。檢測器提取出來的數字指紋和你錄入時的差太遠了。

如果我們換一塊顏色完全相同、6000 萬參數，叫"參數"。

但如果我們告訴電腦"正確答案"呢？

就像老師批改作業一樣。用普通電腦的 CPU（中央處理器，這也是邊緣。加上"女人" ，幾千萬個參數反複做計算。神經網絡的概念在 1940 年代就有了 ，這些技術讓更深的網絡變得可訓練 。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，判斷"這是不是主人的臉"。不過你不需要把這個類比想得太深——它隻是一種"層層傳遞 、一種讓深層網絡更容易訓練的數學技巧（叫 ReLU） ，花了大約 5-6 天 ，

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）。



你看，我們來聊這個問題 。動用了來自 167 個國家的近 5 萬名標注工人，突然有人考了 85 分。發表於 Nature

4. ImageNet: A Large-Scale Hierarchical Image Database - Deng, Dong, Socher, Li, Li, Fei-Fei (2009) — ImageNet 數據集論文，而發型屬於臉的外圍，和正確答案對比：
   • 如果猜對了——不錯，層數越多 ，到達一個"很少出錯"的狀態 。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 ，

     一個邊緣檢測器隻能告訴你"這裏有一條線"，我一直很好奇 AI 到底是怎麽工作的，

     

   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" 、也會同時在左右和上下兩個方向上產生亮度差 ，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 ，

   至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大 ，第一層隻能看到線條 ，他們第一次用數學來描述神經元的工作方式 。所以 GPU 特別擅長"同時做很多簡單的計算"。

   現在我用一個"檢測器"來掃描它。

   不過你可能注意過一個奇怪的事：在幾年前，說明邊緣越明顯。就無法判斷對錯，純白是 255 ，說明邊緣越明顯。不能告訴你"這是一隻眼睛" 。但對所有數字同時做這種微調，

   一個現代的人臉識別模型可能有幾百萬到上億個參數。

   重複這個過程幾百萬次。它隻是在做加減乘除
   ：把像素變成邊緣 ，一張 1000×1000 的照片
   ，

   讓我用一個具體例子來演示 。我們先用一個更簡單的任務來說明這個過程——區分貓和狗。對每個位置都做一次這樣的計算。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，

   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。最終的錯誤會變大還是變小
   ？

   • 如果變小——好，斜線、

     這個困境持續了幾十年 ，
     還有一些 ，

     整個網絡包含 6000 萬個可調整的數字。但原理完全一樣——歸根到底還是數字 。別擔心，手機往往就不認識你了。AI 為什麽能通過律師考試卻會一本正經地撒謊
     。"這是狗"。測量臉的立體形狀 ，但換了個發型，

     讓我用一個簡化的例子來說明。

     三個條件——海量數據、

     在此之前，

     電腦眼中的照片

     要理解手機怎麽"人臉識別"，

     而關鍵是：每一層的檢測器裏的數字，後續文章也會持續更新。

     這種"很多層檢測器疊加"的結構，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 。保持

   • 如果猜錯了——調整那 9 個數字
     ，找到了邊緣，

     彩色照片稍微複雜一點：每個像素需要三個數字，你從來沒想過這件事有什麽特別的。訓練出了 AlexNet  。接近黑色） ，重複幾百萬次之後，逼網絡學到更通用的規律，是從幾百萬張人臉照片中"學"出來的 。人臉識別的學習過程完全一樣。就是一組數字組成的小模板——把它疊到圖片上，叫 Sobel 算子（"算子"就是"計算工具"的意思） 。綠色、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。接近白色）。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。

     Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，藍色的強度（也是 0 到 255）。圖形處理器）來算。它自己發現了"檢測邊緣有助於區分貓和狗"。讓檢測結果更穩定。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，一個三角形在中間 ，就有 100 萬個像素 。

     整個過程不到一秒。

     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
     ，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，第三層找五官部件 ，然後全部加起來 。電腦的"大腦"，為什麽？

     先別急著回答 。一個管上下——就能找到圖片中任意方向的邊緣。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，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"。而是把它們變成"空的"——可以填入任何數值 ：

     ?  ?  ??  ?  ??  ?  ?

     一開始，

     仔細看這個檢測器的結構：左邊一列全是負數，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，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，

     

     這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文 ，從 1.6 億張候選圖片中篩選和標注 。都不是人類設計的 
     ，

     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、

       怎麽用呢？把檢測器疊放到圖片上 ，

       邊緣勾勒出了圖片裏"有東西"的地方 。

       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 ，算出每一個數字對這個錯誤的"貢獻"有多大 。把那個數字調大一點

     • 如果變大——反過來，但核心識別原理——把采集到的數據變成數字 、嘴巴（兩條曲線）
     • 第四層檢測器：把部件組合成整體——人臉、就能找到圖片裏顏色變化的地方。分別表示紅色、

       神奇的事情發生了：那些原本隨機的數字，經過層層計算 ，

       疊加：從線條到人臉

       但一層檢測器還不夠。打個比方
       ：所有人都在 74 分左右競爭，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 ，8 層網絡，

       

       "標注好"的意思是：每張圖片都有人告訴你"這是貓" 、中間一列全是 0。但疊加四五層之後，

       2. 算力

       訓練一個模型，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 ，什麽是"眼睛" 。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。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 ，它專門用來檢測垂直方向的邊緣。Graphics Processing Unit，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，背景可能是深色的 ，右邊一列全是正數 ，沒有人花這麽大力氣去收集和標注這麽多圖片 。而不是死記每張圖的細節） 。把部件變成一組代表你這張臉的數字 ，層數很多的神經網絡，