0   0  200   0   0  0   0  200   0   0200 200  200 200 200  0   0  200   0   0  0   0  200   0   0

讓我解釋一下它的邏輯 。證明在特定任務上 ，

那次突破有多震撼 ？在 ImageNet 圖像識別比賽中，但也很簡單——本質就是"比較左右兩邊的亮度差" 。背景可能是深色的
，

每個像素都有一個顏色，這可能要算好幾個月甚至幾年。

有的變成了顏色變化檢測器。

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，"這是汽車"。
  • 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
  ，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 ，數字越小越暗，層層加工"的計算結構 。

  電腦眼中的照片

  要理解手機怎麽"人臉識別"，覺得不錯的話  ，本質上就是
  ：右邊的亮度 - 左邊的亮度。

  這就是電腦"看到"的東西。其餘全是 0（暗） 。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、手機往往就不認識你了。所以這幾層叫"卷積層"） 。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"，就能看到"臉"了。

  電腦沒有被告知"要檢測邊緣"。

  這個數字的意思是 ：這裏有一條明顯的邊緣 ，五官、加上"女人"，它照樣能解鎖。我後麵會專門講。再傳給下一個
  。

  這種"很多層檢測器疊加"的結構
  ，

  

  • 如果左右兩邊顏色一樣——正數和負數互相抵消，"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"、它輸出"60% 可能是貓"，能識別的東西就越複雜。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 。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。這些"正確答案"是電腦學習的前提——沒有答案 ，

  反向傳播做的事情是：從最後的錯誤出發，

  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）。分給大量網上工人完成的平台） ，把那個數字調大一點

• 如果變大——反過來 ，

  但如果我們告訴電腦"正確答案"呢？

  就像老師批改作業一樣。

  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） 。

  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
  ，發現了很多有意思的東西，解鎖  。這些可調整的數字 ，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。也會同時在左右和上下兩個方向上產生亮度差，

  這個困境持續了幾十年，鼻梁這些區域的數字模式沒變，但對所有數字同時做這種微調，藍色的強度（也是 0 到 255）。是數字
  。表情——這些讓一張臉變得獨特的要素 。花了大約 5-6 天，

  

  這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文
  ，就無法判斷對錯，

  一個邊緣檢測器隻能告訴你"這裏有一條線"，是為了讓檢測器更關注正中間一行的變化，一個管上下——就能找到圖片中任意方向的邊緣
  。我們來聊這個問題 
  。數字大的地方，

  三個條件——海量數據、

  不過你可能注意過一個奇怪的事
  ：在幾年前，經過層層計算，就是一組數字組成的小模板——把它疊到圖片上 ，才有了 2012 年的突破。保持

• 如果猜錯了——調整那 9 個數字，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU） ，哪怕是一條 45° 的斜線，

  2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU，歡迎關注我，叫 Sobel 算子（"算子"就是"計算工具"的意思）。這個方法叫"反向傳播"，結果的數字越大（不管是正還是負），

  不過你可能發現了，所以選擇了這樣的數字組合。沒有人花這麽大力氣去收集和標注這麽多圖片。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 ，神經網絡的概念在 1940 年代就有了，

  彩色照片稍微複雜一點：每個像素需要三個數字 ，層數很多的神經網絡，

  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 ，

  一個人的臉可以有無數種表情 
  、

  整個網絡包含 6000 萬個可調整的數字 。但眼睛、

  假設電腦要判斷一張圖是貓還是狗
  。

  回到手機人臉識別

  

  現在你知道手機是怎麽認出你的了。對應位置的數字相乘，

  給電腦看 1000 張貓的照片和 1000 張狗的照片，而不是死記每張圖的細節）。這個檢測器會在整張圖片上一格一格地滑動 ，層數越多，GPU 訓練神經網絡比 CPU 快約 70 倍
  。叫"參數"。然後比較兩組數字有多接近。當時售價 499 美元），到達一個"很少出錯"的狀態 
  。AI 為什麽能通過律師考試卻會一本正經地撒謊。不是圖像 ，

  但如果讓電腦自己來選呢？

  假設我們不再指定這 9 個數字，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，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
  ，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 ，一堆線條還不能告訴我們"這是一張臉"。

  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
     ，檢測器提取出來的數字指紋和你錄入時的差太遠了。幾千萬個參數反複做計算 。斜線、

     它錯了。完全不需要知道什麽是"臉" 、

     一堆數字，一層一層往回追溯
     ，第二層找形狀，曲線

  2. 第二層檢測器 ：把第一層找到的邊緣組合起來，上百層，找到了邊緣 ，

     讓我用一個具體例子來演示。下巴這些區域的麵部特征被口罩擋住了，但換了個發型  ，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 ，都是黑色線框" loading="lazy">

     比如你的臉和背景之間——皮膚是淺色的，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，就是"深度學習"
     。旗艦模型超過 1 億個參數 ，而顏色在電腦裏是用數字表示的 。隻用加減乘除
     ，但原理完全一樣——歸根到底還是數字。那可能是一張臉"

  3. 有人試著提取更複雜的特征："檢測眼睛的形狀"、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，

     這就是"訓練"
     。中間一行全是 0 。現在你隻需要知道 ：電腦有辦法算出調整的方向和幅度。你就找到了輪廓、我們先用一個更簡單的任務來說明這個過程——區分貓和狗。錯了多少？差了很多——它說 60% 是貓 ，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，把所有檢測器發現的信息都匯集在一起，和正確答案對比 ：

     • 如果猜對了——不錯，

       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。

       一個新的問題

       理解了 AI 怎麽"認人"之後
       ，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，什麽是"鼻子" 。為什麽沒有更早實現？

       事實上 ，處理一下
       、

       現在我用一個"檢測器"來掃描它
       。

       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 ，需要給電腦看幾百萬張人臉照片，無數種光線。變成了"這個位置有沒有邊緣"的數字。為什麽？

       先別急著回答。即可訂閱
       。一個很大的正數。三角形、你會看到一個讓我非常震撼的例子："國王"減去"男人"  ，算出每一個數字對這個錯誤的"貢獻"有多大。

       仔細看這個檢測器的結構 ：左邊一列全是負數，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 、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，中間有一條從左上到右下的分界線——這就是一條邊緣。讓檢測結果更穩定 。也就無法調整那些數字。

       

       GPU 原本是用來生成（渲染）遊戲畫麵的。"這是狗" 。用普通電腦的 CPU（中央處理器，它通過層層檢測器從數字中提取特征 。訓練出了 AlexNet。中間的灰色就是 1 到 254。這樣就不會被一張照片騙過去。

       這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。

       一道簡單的數學題

       假設我們有一小塊圖片，是因為上一層的某個檢測器輸出偏了

     • 那個檢測器偏了
        ，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 ，從 1.6 億張候選圖片中篩選和標注。

       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 
         ，200 是亮色（接近白色）
         。說明邊緣越明顯
         。對應位置相乘再相加（這個操作的專業名稱叫"卷積" ，但疊加四五層之後，

         重複這個過程幾百萬次 。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，

         邊緣勾勒出了圖片裏"有東西"的地方 。隻是方向變了 ：它比較的是"下麵的亮度 - 上麵的亮度"。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，這個係列就是我的探索筆記，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。

         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 。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" ，排成 3×3 ：

         10  10  1010  10 20010 200 200

         左上角是深色（數字 10 ，

         但電腦隻看到數字啊，那些數字就會逐漸穩定下來 ，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），人類知道"要檢測垂直邊緣
         ，純白是 255
         ，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，說明邊緣越明顯。那就是像素 。用它來學習的方法
         ，是從幾百萬張人臉照片中"學"出來的  。從互聯網上收集的真實場景人臉照片，就能看到一個個小方塊，你從來沒想過這件事有什麽特別的 。
         有的變成了紋理檢測器。它專門用來檢測垂直方向的邊緣。鼻子（一個三角形輪廓） 、

         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
         ，比如 Google 在 2015 年發表的 FaceNet，把部件變成一組代表你這張臉的數字
         ，最終的錯誤會變大還是變小？
         如果變小——好，每張都貼好標簽——"這是貓"
         、算法改進——同時到位，就要比較左右兩邊的亮度"
         ，但應該是 0%。重複幾百萬次之後
         ，把邊緣變成形狀，它自己發現了"檢測邊緣有助於區分貓和狗"。
         這就是 AI 在"看"這件事上卡住了幾十年的地方。就能檢測出圖片裏有沒有某種特征。會自己變成有意義的檢測器
         。後續文章也會持續更新
         	
         。直到一個想法改變了一切	：
         不要人類來設計檢測器，
         這個設計很聰明，結果是 0（沒有邊緣）
         如果右邊比左邊亮——正數那邊貢獻更大，對每個位置都做一次這樣的計算
         。在 AI 領域有一個專門的名稱
         ，
         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，想分享給你
         。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，
         但文字呢？
         當你對 ChatGPT 說"蘋果"	，把形狀變成部件
         ，而是把它們變成"空的"——可以填入任何數值：
         ?  ?  ??  ?  ??  ?  ?
         一開始
         ，有一個名字
         ，戴上口罩
         ，
         讓我用一個簡化的例子來說明
         。
         這就是"學習"的本質：不是有人教了它規則
         ，接近黑色），動輒幾十層	、
         整個過程不到一秒。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，
         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
         
         、越大越亮
         。所謂檢測器，參數量更是以億計
         。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，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。
         這是 「AI是怎麽回事」係列的第 1篇
         。但換發型還能認出來？
         因為口罩遮住了臉的下半部分——嘴巴
         、而發型屬於臉的外圍，
         -1  0  1-2  0  2-1  0  1
         當它掃描圖片的一個區域時，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，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞
         、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，第三層找五官部件，每一張都要把所有參數調整一遍。你拿起手機	，判斷"這是不是主人的臉"。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，最終這個數據集包含了超過 1400 萬張標注好的圖片，把兩個結果綜合起來，建議零售價 $499

  訂閱

  如果覺得有意思
，看一眼屏幕，反向傳播算法在 1986 年就發表了
。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 ，但邊緣隻是一堆線條。叫做反向傳播——1986 年由 Rumelhart 、

  解決方法是：疊加很多層。

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

  

  "標注好"的意思是：每張圖片都有人告訴你"這是貓"、

  而關鍵是：每一層的檢測器裏的數字 ，眼睛也是 ：眼白是淺色的，

  3. 算法

  AlexNet 還用了幾個關鍵的技術改進。

  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
 ，把那個數字調小一點

每次調整的幅度都很小（比如 0.001） ，是電腦自己從數據裏學出來的。

疊加 ：從線條到人臉

但一層檢測器還不夠 。

2. 算力

訓練一個模型 ，汽車