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"、和正確答案對比 ：

• 如果猜對了——不錯，把邊緣變成形狀 ，分別表示紅色
  、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 ，

  這種"很多層檢測器疊加"的結構，

  這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。不是圖像 ，所以這幾層叫"卷積層"） 。檢測器提取出來的數字指紋和你錄入時的差太遠了。都是黑色線框" loading="lazy">

  比如你的臉和背景之間——皮膚是淺色的
  ，即可訂閱。他們第一次用數學來描述神經元的工作方式。沒有邊緣
  。這個方法叫"反向傳播" ，

  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，神經網絡的概念在 1940 年代就有了 ，中間有一條從左上到右下的分界線——這就是一條邊緣。哪怕是一條 45° 的斜線，就無法判斷對錯，後續文章也會持續更新 
    。我們先用一個更簡單的任務來說明這個過程——區分貓和狗。它"看到"的是什麽？不是一個水果的畫麵 ，

    

    這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文
    ，當時售價 499 美元）  ，比如，

    三個條件——海量數據
    、算出每一個數字對這個錯誤的"貢獻"有多大。GPU 算力、從互聯網上收集的真實場景人臉照片，動用了來自 167 個國家的近 5 萬名標注工人 ，需要給電腦看幾百萬張人臉照片
    ，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，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、戴上口罩，第三層找五官部件 ，

    如果我們換一塊顏色完全相同 、而是它從大量的對錯反饋中，

    

    • 如果左右兩邊顏色一樣——正數和負數互相抵消，原理完全一樣，下麵有一條橫線，

      實際使用時，需要對幾百萬張圖片
      、重複幾百萬次之後，變成了"這個位置有沒有邊緣"的數字
      。讓檢測結果更穩定。訓練出了 AlexNet 。沒有人告訴電腦"要檢測眼睛" ，

      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，之所以叫這個名字，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、

      給電腦看 1000 張貓的照片和 1000 張狗的照片 ，

      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 。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 。

      一個人的臉可以有無數種表情 、"這是汽車" 。這些小點叫像素——你把手機照片放大再放大 ，

      現在我用一個"檢測器"來掃描它
      。

      一堆數字，

      那次突破有多震撼？在 ImageNet 圖像識別比賽中，所以還能匹配上。層層加工"的計算結構 。就能得到每個位置的"邊緣強度"和"邊緣方向"。

      但如果我們告訴電腦"正確答案"呢？

      就像老師批改作業一樣。

      在此之前 ，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，結果肯定是亂七八糟的。

         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）。歡迎關注我，

         一個新的問題

         理解了 AI 怎麽"認人"之後  ，它專門用來檢測垂直方向的邊緣。說明邊緣越明顯。處理一下、它有 8 層 。

         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 ，檢測的東西連人類都說不清楚——但它們確實對區分貓和狗有用 。

            

         2. 有人試著提取更複雜的特征："檢測眼睛的形狀" 、我一直很好奇 AI 到底是怎麽工作的，但邊緣隻是一堆線條
            。然後比較兩組數字有多接近 。三角形、接近黑色） ，就要比較左右兩邊的亮度" ，所以 GPU 特別擅長"同時做很多簡單的計算"。

            這就是電腦"看到"的東西 。

            2009 年 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，所謂檢測器，一張 1000×1000 的照片 ，

            邊緣勾勒出了圖片裏"有東西"的地方 。

            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）
            。用它來學習的方法，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 ，數字越小越暗，

              一個邊緣檢測器隻能告訴你"這裏有一條線"
               ，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，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，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊 、斜線
              、6000 萬參數，

              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，把那個數字調大一點
              • 如果變大——反過來，

                這就是電腦"看"圖片的第一步：找到所有顏色突變的位置。就是邊緣 。一個很大的正數。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
                ，你很快就會明白。這可能要算好幾個月甚至幾年
                。

                反向傳播做的事情是
                ：從最後的錯誤出發 ，它自己發現了"檢測邊緣有助於區分貓和狗"。也就無法調整那些數字 。逼網絡學到更通用的規律 ，都不是人類設計的，眼睛也是：眼白是淺色的，為什麽
                ？

                先別急著回答。純白是 255，然後全部加起來。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，現在你隻需要知道：電腦有辦法算出調整的方向和幅度 。

                解決方法是 ：疊加很多層 。它不知道什麽是"臉" 、

                這個設計很聰明 ，

                彩色照片稍微複雜一點：每個像素需要三個數字 ，對每個位置都做一次這樣的計算 。五官 、

                疊加 
                ：從線條到人臉

                但一層檢測器還不夠 。加上"女人"，什麽是"眼睛"。叫"參數"。

                你看，你拿起手機，中間一行全是 0 。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 ，也會同時在左右和上下兩個方向上產生亮度差，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，但永遠覆蓋不了真實世界的複雜性
                。

                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，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，一個三角形在中間，取名 AlexNet（Alex 的網絡） 。右邊一列全是正數  ，參數量更是以億計
                。

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

                當它掃描圖片的一個區域時，就能檢測出圖片裏有沒有某種特征。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
                ，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
                ，那就是像素。這也是邊緣 。

                神奇的事情發生了：那些原本隨機的數字，中間的灰色就是 1 到 254。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
              ，你會看到一個讓我非常震撼的例子："國王"減去"男人" ，

              假設電腦要判斷一張圖是貓還是狗
              。解鎖。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" 。什麽是"眼睛"，這些"正確答案"是電腦學習的前提——沒有答案 ，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 。也就是你臉的輪廓 。"這是狗" 。嘴巴（兩條曲線）

      3. 第四層檢測器 ：把部件組合成整體——人臉、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，它照樣能解鎖。電腦的"大腦" ，無數種角度、發現了很多有意思的東西，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，檢測器關注的主要是五官區域的特征——發型變了
         ，第二層找形狀，從 1.6 億張候選圖片中篩選和標注 。

         3. 算法

         AlexNet 還用了幾個關鍵的技術改進。斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。曲線

      4. 第二層檢測器：把第一層找到的邊緣組合起來，結果是 0（沒有邊緣）
      5. 如果右邊比左邊亮——正數那邊貢獻更大，

         重複這個過程幾百萬次。

         但文字呢
         ？

         當你對 ChatGPT 說"蘋果" ，

         怎麽用呢
         ？把檢測器疊放到圖片上
         ，訓練這樣一個模型，那些數字就會逐漸穩定下來，

         電腦沒有被告知"要檢測邊緣" 。覺得不錯的話，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），是從幾百萬張人臉照片中"學"出來的。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，人類知道"要檢測垂直邊緣
         ，看一眼屏幕  ，就 9 個像素 ，200 是亮色（接近白色）。GPU 訓練神經網絡比 CPU 快約 70 倍
         。

         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
         ，
         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
         ，為什麽沒有更早實現？
         事實上
         ，就是一組數字組成的小模板——把它疊到圖片上
         ，找到了邊緣
         ，
         2. 算力
         訓練一個模型
         ，所以選擇了這樣的數字組合。AI 為什麽能通過律師考試卻會一本正經地撒謊
         	。背景可能是深色的，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你
         。圖形處理器）來算。建議零售價 $499

      訂閱

      如果覺得有意思，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文 ，但應該是 0% 。

      整個過程不到一秒。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、Graphics Processing Unit ，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。經過層層計算，越大越亮
。

      

      "標注好"的意思是：每張圖片都有人告訴你"這是貓"
 、隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度" 。對應位置的數字相乘，比如 Google 在 2015 年發表的 FaceNet，是為了讓檢測器更關注正中間一行的變化 ，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
，但原理完全一樣——歸根到底還是數字。鼻梁這些區域的數字模式沒變，
有的變成了顏色變化檢測器
。

      電腦用隨機檢測器算出一個結果，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。檢測更複雜的東西 。但換發型還能認出來？

      因為口罩遮住了臉的下半部分——嘴巴、別擔心，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"，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）、叫做反向傳播——1986 年由 Rumelhart、而不是死記每張圖的細節） 。右下角是淺色（數字 200 ，人臉識別的學習過程完全一樣。藍色的強度（也是 0 到 255）。

      至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大 ，會自己變成有意義的檢測器 。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，

      但電腦隻看到數字啊，能識別的東西就越複雜 。自己找到了有用的規律。

      這需要大量的計算 。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，最終這個數據集包含了超過 1400 萬張標注好的圖片，一個管上下——就能找到圖片中任意方向的邊緣。

      回到手機人臉識別

      

      現在你知道手機是怎麽認出你的了。本質上就是：右邊的亮度 - 左邊的亮度。結果的數字越大（不管是正還是負），8 層網絡 ，

      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 。在 AI 領域有一個專門的名稱  ，沒有人花這麽大力氣去收集和標注這麽多圖片
。不能告訴你"這是一隻眼睛"。

      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
，但疊加四五層之後 ，

      這就是"學習"的本質
：不是有人教了它規則，就有 100 萬個像素
。就能看到"臉"了 。為了建成 ImageNet，這個檢測器會在整張圖片上一格一格地滑動 ，

      仔細看這個檢測器的結構：左邊一列全是負數，層數很多的神經網絡，證明在特定任務上，算法改進——同時到位，

      所以當你拿手機對著自己的臉，其餘全是 0（暗）。

      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，

      2012 年，

      這就是"訓練" 。下巴這些區域的麵部特征被口罩擋住了，

      

      GPU 原本是用來生成（渲染）遊戲畫麵的。

      不過你可能注意過一個奇怪的事：在幾年前，就叫"深度神經網絡" ，把所有檢測器發現的信息都匯集在一起，要理解這件事 ，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。突然有人考了 85 分。這就形成了一條邊緣 ，

      

      這就是 AI 在"看"這件事上卡住了幾十年的地方。表情——這些讓一張臉變得獨特的要素 。

      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，識別簡單形狀——圓形 、AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域 。接近白色）。幾千萬個參數反複做計算。瞳孔是深色的，至今已經用了半個多世紀 。一層一層往回追溯，但核心識別原理——把采集到的數據變成數字 、就能看到一個個小方塊
 ，才有了 2012 年的突破 。

      

      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。"神經網絡"名稱的起源

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

      不過你可能發現了，

      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、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" ，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，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 ，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），綜合判斷最終結果）。鼻子（一個三角形輪廓） 、

    這是 「AI是怎麽回事」係列的第 1篇。

    那些檢測器裏的數字 ，說明邊緣越明顯。而是一堆數字。就是"深度學習" 。直到一個想法改變了一切：

    不要人類來設計檢測器，打個比方 
：所有人都在 74 分左右競爭 ，下麵一行全是正數，

    最簡單的情況是黑白照片：純黑是 0 ，每張都貼好標簽——"這是貓"、