Alex Krizhevsky 正是机人用兩塊遊戲顯卡（NVIDIA GTX 580，覺得不錯的脸识話，接近白色） 。别说"測量鼻子的到底位置"

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"、參數量更是聪明从手以億計 。你能看出來這是机人一個十字形嗎？——中間一橫一豎的數字是 200（亮），

這就是脸识 AI 在"看"這件事上卡住了幾十年的地方。而顏色在電腦裏是别说用數字表示的。

每個像素都有一個顏色，"這是聪明从手汽車"。至今已經用了半個多世紀
。机人

一道簡單的數學題

假設我們有一小塊圖片，你就找到了輪廓 、别说

現在我用一個"檢測器"來掃描它 。

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）。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊 、要理解這件事，而今天的大型模型 ，

這就是"學習"的本質：不是有人教了它規則，所以選擇了這樣的數字組合。它隻是在做加減乘除 ：把像素變成邊緣 ，接近黑色），

手機不知道什麽是眼睛、背景可能是深色的，所以這幾層叫"卷積層"）。算出每一個數字對這個錯誤的"貢獻"有多大。下巴這些區域的麵部特征被口罩擋住了 ，數字越小越暗，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
，

解決方法是 ：疊加很多層 。
還有一些 ，最終的錯誤會變大還是變小？

• 如果變小——好，需要給電腦看幾百萬張人臉照片，什麽是"鼻子" 。

  電腦眼中的照片

  要理解手機怎麽"人臉識別"，下麵一行全是正數，即可訂閱。層層加工"的計算結構  。AI 為什麽能通過律師考試卻會一本正經地撒謊。"神經網絡"名稱的起源

• ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文 ，都是黑色線框" loading="lazy">

  比如你的臉和背景之間——皮膚是淺色的，

  

  "標注好"的意思是 ：每張圖片都有人告訴你"這是貓" 、

  整個過程不到一秒。鼻子（一個三角形輪廓）、重複幾百萬次之後，訓練這樣一個模型，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，想分享給你 。而發型屬於臉的外圍，叫 Sobel 算子（"算子"就是"計算工具"的意思）。用它來學習的方法，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 ，弧線

  3. 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） 、為什麽這幾個數字能檢測邊緣 ？先看看它怎麽用 ，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，這些小點叫像素——你把手機照片放大再放大 ，現在你隻需要知道：電腦有辦法算出調整的方向和幅度。8 層網絡 ，你會看到一個讓我非常震撼的例子："國王"減去"男人" 
     ，一張 1000×1000 的照片
     ，為什麽沒有更早實現？

     事實上 ，

     假設電腦要判斷一張圖是貓還是狗 。處理一下 、GPU 訓練神經網絡比 CPU 快約 70 倍。

     但電腦隻看到數字啊，

     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  ，

     整個網絡包含 6000 萬個可調整的數字。把部件變成一組代表你這張臉的數字，但正確答案是"狗" 。擅長一件一件地處理複雜任務），

     而關鍵是 ：每一層的檢測器裏的數字，但也很簡單——本質就是"比較左右兩邊的亮度差" 。

     一個邊緣檢測器隻能告訴你"這裏有一條線" ，

     疊加：從線條到人臉

     但一層檢測器還不夠
     。解鎖 。看一眼屏幕，中間有一條從左上到右下的分界線——這就是一條邊緣。經過層層計算，但永遠覆蓋不了真實世界的複雜性 。你從來沒想過這件事有什麽特別的。比如，就是邊緣 。不是圖像，

     這就是 AI 的"聰明"：不是真的理解，

     比如下麵這個 5×5 的小圖：

     

     在電腦裏，變成了"這個位置有沒有邊緣"的數字。沒有人告訴電腦"要檢測眼睛"，
     有的變成了顏色變化檢測器。這就形成了一條邊緣，加上"女人" ，就能找到圖片裏顏色變化的地方。

     2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU，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。人類知道"要檢測垂直邊緣 ，

     讓我用一個具體例子來演示。對每個位置都做一次這樣的計算。

     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
       、右下角是淺色（數字 200
       ，比如 Google 在 2015 年發表的 FaceNet，我們來聊這個問題。嘴巴（兩條曲線）
     • 第四層檢測器：把部件組合成整體——人臉、第一層隻能看到線條，曲線
     • 第二層檢測器：把第一層找到的邊緣組合起來
       ，結果的數字越大（不管是正還是負），為什麽 ？

       先別急著回答 。

       這是 「AI是怎麽回事」係列的第 1篇。

       電腦用隨機檢測器算出一個結果，一個三角形在中間，這可能要算好幾個月甚至幾年。

       回到手機人臉識別

       

       現在你知道手機是怎麽認出你的了 。

       2009 年，眼睛也是：眼白是淺色的 ，完全不需要知道什麽是"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 ，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。就能看到一個個小方塊，

          不過你可能發現了，瞳孔是深色的，

          神奇的事情發生了：那些原本隨機的數字
          ，但邊緣隻是一堆線條
          。

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

          這就是電腦"看到"的東西。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。一堆線條還不能告訴我們"這是一張臉"
          。就是"深度學習"。中間一行全是 0。但原理完全一樣——歸根到底還是數字 。

          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
          。他們第一次用數學來描述神經元的工作方式 。取名 AlexNet（Alex 的網絡）。為了建成 ImageNet，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，發表於 Nature

       2. ImageNet: A Large-Scale Hierarchical Image Database - Deng, Dong, Socher, Li, Li, Fei-Fei (2009) — ImageNet 數據集論文，訓練出了 AlexNet。

          最簡單的情況是黑白照片：純黑是 0，就能得到每個位置的"邊緣強度"和"邊緣方向" 。說明邊緣越明顯 。

          這個設計很聰明 ，我們先用一個更簡單的任務來說明這個過程——區分貓和狗
          。

          給電腦看 1000 張貓的照片和 1000 張狗的照片
          ，貓臉、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
          ，就有 100 萬個像素。讓檢測結果更穩定 。最終這個數據集包含了超過 1400 萬張標注好的圖片
          ，歡迎分享+關注 。一個很大的正數 。不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、

          這需要大量的計算。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。反向傳播算法在 1986 年就發表了 。突然有人考了 85 分
          。發現了很多有意思的東西，

          這個數字的意思是 ：這裏有一條明顯的邊緣 ，

          你看 ，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
          、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，會自己變成有意義的檢測器。但核心識別原理——把采集到的數據變成數字、都不是人類設計的  ，

          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，而是把它們變成"空的"——可以填入任何數值 ：

          ?  ?  ??  ?  ??  ?  ?

          一開始 ，第二層找形狀，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 ，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，純白是 255 ，旗艦模型超過 1 億個參數
          ，下麵有一條橫線，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，就要比較左右兩邊的亮度"，檢測器提取出來的數字指紋和你錄入時的差太遠了 。就無法判斷對錯 ，把那個數字調小一點

     每次調整的幅度都很小（比如 0.001） ，一層一層往回追溯
     ，把所有檢測器發現的信息都匯集在一起，到達一個"很少出錯"的狀態。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 ，不能告訴你"這是一隻眼睛"。五官、就 9 個像素 ，

     三個條件——海量數據、而是一堆數字。所以還能匹配上。

     一個新的問題

     理解了 AI 怎麽"認人"之後 ，無數種角度、算法改進——同時到位
     ，什麽是"眼睛"。

     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
       ，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，電腦的"大腦" ，是從幾百萬張人臉照片中"學"出來的。但疊加四五層之後
       ，

       2. 算力

       訓練一個模型 ，

       它錯了  。那就是像素
       。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
       ，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"、

       

       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，結果肯定是亂七八糟的 。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，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 ，把形狀變成部件，

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

     當它掃描圖片的一個區域時，這也是邊緣 。把那個數字調大一點

  4. 如果變大——反過來 ，叫"參數" 。說明邊緣越明顯。打個比方 ：所有人都在 74 分左右競爭
     ，層數很多的神經網絡，右邊一列全是正數 ，

     3. 算法

     AlexNet 還用了幾個關鍵的技術改進。中間一列全是 0 
     。有一個名字，

     • 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，逼網絡學到更通用的規律，叫神經網絡 。它自己發現了"檢測邊緣有助於區分貓和狗" 。這個檢測器會在整張圖片上一格一格地滑動，是因為上一層的某個檢測器輸出偏了

  5. 那個檢測器偏了，沒有人花這麽大力氣去收集和標注這麽多圖片 。GPU 算力 、動輒幾十層、但換發型還能認出來？

     因為口罩遮住了臉的下半部分——嘴巴、檢測器關注的主要是五官區域的特征——發型變了，

     一個現代的人臉識別模型可能有幾百萬到上億個參數。

     這就是"訓練" 。手機往往就不認識你了。綠色、數字越大
     ，

     仔細看這個檢測器的結構 ：左邊一列全是負數 ，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，

     

     這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文
     ，就叫"深度神經網絡"，再傳給下一個。

     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
     ，
     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
     ，
     電腦沒有被告知"要檢測邊緣"
     。
     實際使用時，"這是狗"、
     反向傳播做的事情是：從最後的錯誤出發，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
     
     ，斜線
     、
     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，需要對幾百萬張圖片、
     但文字呢
     ？
     當你對 ChatGPT 說"蘋果"，
     這個困境持續了幾十年
     ，自己找到了有用的規律。神經網絡的概念在 1940 年代就有了，從左到右顏色在變亮。我一直很好奇 AI 到底是怎麽工作的
     ，
     所以當你拿手機對著自己的臉	，什麽是鼻子
     。200 是亮色（接近白色）
     。
     如果我們換一塊顏色完全相同
     	、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
     ，

     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） 。它專門用來檢測垂直方向的邊緣
     。5 次都猜錯才算錯）——領先超過 10 個百分點 。鼻梁這些區域的數字模式沒變，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域
     。檢測更複雜的東西 。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，你拿起手機 ，

     這就是電腦"看"圖片的第一步
      ：找到所有顏色突變的位置。Graphics Processing Unit，層層疊加

  6. 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"，這個方法叫"反向傳播"，把邊緣變成形狀，哪怕是一條 45° 的斜線，層數越多 ，測量臉的立體形狀，也會同時在左右和上下兩個方向上產生亮度差，當時售價 499 美元） ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，

     但如果我們告訴電腦"正確答案"呢？

     就像老師批改作業一樣。直到一個想法改變了一切：

     不要人類來設計檢測器，

     不過你可能注意過一個奇怪的事 ：在幾年前，什麽是"眼睛"，圖形處理器）來算。是電腦自己從數據裏學出來的。幾千萬個參數反複做計算
     。無數種光線  。每一張都要把所有參數調整一遍。保持

  7. 如果猜錯了——調整那 9 個數字，藍色的強度（也是 0 到 255）
     。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 、然後全部加起來。

     讓我用一個簡化的例子來說明。但應該是 0%  。它照樣能解鎖 。綜合判斷最終結果）
     。和正確答案對比  ：

     • 如果猜對了——不錯，三角形、它不知道什麽是"臉" 、人臉識別的學習過程完全一樣。

       

       每天早上，對應位置的數字相乘 ，那些數字就會逐漸穩定下來 ，就是一組數字組成的小模板——把它疊到圖片上，表情——這些讓一張臉變得獨特的要素
       。後續文章也會持續更新。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"  。這些技術讓更深的網絡變得可訓練。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，用普通電腦的 CPU（中央處理器，

       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，才有了 2012 年的突破
       。"這是狗"。而不是死記每張圖的細節）。

       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，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，上百層，叫做反向傳播——1986 年由 Rumelhart 、從互聯網上收集的真實場景人臉照片，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 ，

         至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大 ，結果是負數（有一條從亮到暗的邊緣）

       差異越大
       ，這樣就不會被一張照片騙過去 。

       

       GPU 原本是用來生成（渲染）遊戲畫麵的。

       

       • 如果左右兩邊顏色一樣——正數和負數互相抵消，所以 GPU 特別擅長"同時做很多簡單的計算"
         。原理完全一樣，分別表示紅色 、我後麵會專門講。

         一堆數字，也就無法調整那些數字。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
         。戴上口罩
         ，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，每張都貼好標簽——"這是貓"、讓下次更可能猜對

       怎麽調整？不是隨機亂調，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，

       但如果讓電腦自己來選呢？

       假設我們不再指定這 9 個數字 ，涵蓋 2 萬多個類別。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。能識別的東西就越複雜。

       邊緣勾勒出了圖片裏"有東西"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，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild
       ，是為了讓檢測器更關注正中間一行的變化
       ，本質上就是：右邊的亮度 - 左邊的亮度 。建議零售價 $499

  訂閱

  如果覺得有意思 ，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，但換了個發型
  ，但眼睛
  、豎線、就能檢測出圖片裏有沒有某種特征 。隻用加減乘除 ，找到了邊緣，它有 8 層 。錯了多少
  ？差了很多——它說 60% 是貓，之所以叫這個名字 ，

  這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。判斷"這是不是主人的臉" 。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 ，

  那些檢測器裏的數字，

  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
  ，對應位置相乘再相加（這個操作的專業名稱叫"卷積"，

  

  怎麽用呢？把檢測器疊放到圖片上，
  有的變成了紋理檢測器。讓電腦自己學。就能看到"臉"了。歡迎關注我 ，別擔心 ，動用了來自 167 個國家的近 5 萬名標注工人
  ，

  一個人的臉可以有無數種表情 、從 1.6 億張候選圖片中篩選和標注。它"看到"的是什麽 ？不是一個水果的畫麵，你很快就會明白。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。

  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
  。而是它從大量的對錯反饋中 ，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，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"
  ，6000 萬參數 ，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。它輸出"60% 可能是貓"，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，這些可調整的數字，這些"正確答案"是電腦學習的前提——沒有答案 
  ，證明在特定任務上，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，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），數字大的地方，但對所有數字同時做這種微調，

重複這個過程幾百萬次 。也就是你臉的輪廓
。隻是方向變了 ：它比較的是"下麵的亮度 - 上麵的亮度" 。把兩個結果綜合起來，

這種"很多層檢測器疊加"的結構
，兩個檢測器都會給出非零結果。所謂檢測器，

彩色照片稍微複雜一點：每個像素需要三個數字，LFW 準確率 99.63%

10  10  1010  10 20010 200 200