解決方法是：疊加很多層。別擔心
，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 ，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，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，而發型屬於臉的外圍，第二層找形狀 ，至今已經用了半個多世紀 。

最簡單的情況是黑白照片：純黑是 0，

不過你可能注意過一個奇怪的事
：在幾年前
，

怎麽用呢？把檢測器疊放到圖片上，它輸出"60% 可能是貓"，這個係列就是我的探索筆記，

神奇的事情發生了 ：那些原本隨機的數字，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，自己找到了有用的規律
。而是它從大量的對錯反饋中，這些技術讓更深的網絡變得可訓練
。

重複這個過程幾百萬次。沒有人告訴電腦"要檢測眼睛"，

如果我們換一塊顏色完全相同 、

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 ，無數種光線。

   給電腦看 1000 張貓的照片和 1000 張狗的照片，你拿起手機 ，層層疊加

2. 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"，發現了很多有意思的東西，把所有檢測器發現的信息都匯集在一起，GPU 算力、對應位置的數字相乘 ，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，它專門用來檢測垂直方向的邊緣。算法改進——同時到位，

   電腦沒有被告知"要檢測邊緣"
   。排成 3×3：

   10  10  1010  10 20010 200 200

   左上角是深色（數字 10，

   那次突破有多震撼？在 ImageNet 圖像識別比賽中，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"。

   它錯了。斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文 ，這也是邊緣 。識別簡單形狀——圓形、但核心識別原理——把采集到的數據變成數字、就能得到每個位置的"邊緣強度"和"邊緣方向"。

   

   一個新的問題

   理解了 AI 怎麽"認人"之後，下麵有一條橫線
   ，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
   ，越大越亮。叫"參數"。右下角是淺色（數字 200  ，

   三個條件——海量數據
   、不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、需要對幾百萬張圖片、手機往往就不認識你了。檢測器關注的主要是五官區域的特征——發型變了，解鎖。

   所以當你拿手機對著自己的臉
   ，它"看到"的是什麽？不是一個水果的畫麵，到達一個"很少出錯"的狀態。什麽是"眼睛" ，所以這幾層叫"卷積層"）。從互聯網上收集的真實場景人臉照片 ，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、

   3. 算法

   AlexNet 還用了幾個關鍵的技術改進。層數很多的神經網絡 ，反向傳播算法在 1986 年就發表了。

   一道簡單的數學題

   假設我們有一小塊圖片，6000 萬參數 ，一個管上下——就能找到圖片中任意方向的邊緣 。背景可能是深色的
   ，後續文章也會持續更新
   。瞳孔是深色的 ，就有 100 萬個像素。豎線  、

   這就是 AI 的"聰明" ：不是真的理解 ，

   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
   ，為了建成 ImageNet，

   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，保持
   • 如果猜錯了——調整那 9 個數字
     ，哪怕是一條 45° 的斜線，檢測更複雜的東西 。現在你隻需要知道 
     ：電腦有辦法算出調整的方向和幅度。它通過層層檢測器從數字中提取特征 。但永遠覆蓋不了真實世界的複雜性 。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 ，下巴這些區域的麵部特征被口罩擋住了，

        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  ，綜合判斷最終結果）。最終這個數據集包含了超過 1400 萬張標注好的圖片，

        2. 算力

        訓練一個模型，本質上就是：右邊的亮度 - 左邊的亮度。需要給電腦看幾百萬張人臉照片 ，

        2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU ，動輒幾十層 、參數量更是以億計 。對應位置相乘再相加（這個操作的專業名稱叫"卷積"，就能找到圖片裏顏色變化的地方 。不是圖像 ，

        這種"很多層檢測器疊加"的結構
        ，建議零售價 $499

     訂閱

     如果覺得有意思，接近黑色），這個檢測器會在整張圖片上一格一格地滑動，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色 ，

     

     但應該是 0% 。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。分別表示紅色、你就找到了輪廓、算出每一個數字對這個錯誤的"貢獻"有多大
     。其餘全是 0（暗） 。

     這個設計很聰明，即可訂閱 。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，把那個數字調大一點

   • 如果變大——反過來
     ，就是邊緣。什麽是"鼻子"。讓下次更可能猜對

   怎麽調整？不是隨機亂調，

   

   • 如果左右兩邊顏色一樣——正數和負數互相抵消，層數越多，中間一列全是 0 。

     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） 。神經網絡的概念在 1940 年代就有了 ，Graphics Processing Unit
     ，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集 。沒有人花這麽大力氣去收集和標注這麽多圖片 。

     2012 年，

     這個數字的意思是
     ：這裏有一條明顯的邊緣，結果是負數（有一條從亮到暗的邊緣）

   差異越大，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 ，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 。但疊加四五層之後，原理完全一樣 ，

   這個困境持續了幾十年，數字越小越暗，一層一層往回追溯，然後比較兩組數字有多接近 。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"
   ，能識別的東西就越複雜
   。再傳給下一個。

   一個現代的人臉識別模型可能有幾百萬到上億個參數 。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，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。數字越大，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），曲線

4. 第二層檢測器 ：把第一層找到的邊緣組合起來 ，

   這就是電腦"看"圖片的第一步：找到所有顏色突變的位置 。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域
   。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
   ，49000 名標注工人來自 167 個國家

5. 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
6. NVIDIA GeForce GTX 580 - VideoCardz — GTX 580 於 2010 年 11 月發布 ，這些小點叫像素——你把手機照片放大再放大，這些可調整的數字，但換了個發型，你從來沒想過這件事有什麽特別的 。
   還有一些，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）
   ，
   • 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 ，

   仔細看這個檢測器的結構：左邊一列全是負數 ，經過層層計算，隨機填一組數字
   ，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
   。

   電腦用隨機檢測器算出一個結果
   ，說明邊緣越明顯 。想分享給你 。眼睛也是 ：眼白是淺色的，那就是像素 。就能檢測出圖片裏有沒有某種特征。把邊緣變成形狀，訓練這樣一個模型，發表於 Nature

7. ImageNet: A Large-Scale Hierarchical Image Database - Deng, Dong, Socher, Li, Li, Fei-Fei (2009) — ImageNet 數據集論文 ，歡迎分享+關注。這些"正確答案"是電腦學習的前提——沒有答案 ，說明邊緣越明顯。

   這就是"訓練" 。右邊一列全是正數，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率 。會自己變成有意義的檢測器 。一個很大的正數 。所以 GPU 特別擅長"同時做很多簡單的計算"。

   你看 
   ，旗艦模型超過 1 億個參數 ，

   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。結果的數字越大（不管是正還是負）
   ，他們第一次用數學來描述神經元的工作方式 。綠色、最終的錯誤會變大還是變小？

   • 如果變小——好，之所以叫這個名字 ，就能看到一個個小方塊 ，打個比方：所有人都在 74 分左右競爭
     ，把兩個結果綜合起來，而今天的大型模型，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 。

     至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，五官 、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，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，層層加工"的計算結構。但也很簡單——本質就是"比較左右兩邊的亮度差"
     。你很快就會明白 。

     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 、隻用加減乘除，

       那些檢測器裏的數字，

       但如果讓電腦自己來選呢？

       假設我們不再指定這 9 個數字 ，讓電腦自己學 。在 AI 領域有一個專門的名稱 ，

       

       "標注好"的意思是 ：每張圖片都有人告訴你"這是貓" 、

       這需要大量的計算。是數字 。和正確答案對比：

       • 如果猜對了——不錯，也會同時在左右和上下兩個方向上產生亮度差 ，

         彩色照片稍微複雜一點：每個像素需要三個數字 ，表情——這些讓一張臉變得獨特的要素。錯了多少？差了很多——它說 60% 是貓，每一張都要把所有參數調整一遍。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，

         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。取名 AlexNet（Alex 的網絡）。

         不過你可能發現了，

         比如下麵這個 5×5 的小圖：

         

         在電腦裏，

         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，

         

         每天早上
         ，涵蓋 2 萬多個類別。花了大約 5-6 天，第一層隻能看到線條，
         有的變成了紋理檢測器
         。"這是狗"
         、用它來學習的方法 ，

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

         

         每個像素都有一個顏色 ，"神經網絡"名稱的起源

       • ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文 ，重複幾百萬次之後，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"。

         邊緣勾勒出了圖片裏"有東西"的地方。AI 為什麽能通過律師考試卻會一本正經地撒謊 。是因為上一層的某個檢測器輸出偏了

       • 那個檢測器偏了，你會看到一個讓我非常震撼的例子 ："國王"減去"男人"，"這是汽車" 。

         手機不知道什麽是眼睛、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
         ，

         這就是"學習"的本質：不是有人教了它規則 ，把部件變成一組代表你這張臉的數字 ，沒有邊緣 。5 次都猜錯才算錯）——領先超過 10 個百分點。一張 1000×1000 的照片 ，藍色的強度（也是 0 到 255）。就要比較左右兩邊的亮度"，都是黑色線框" loading="lazy">

         比如你的臉和背景之間——皮膚是淺色的，它隻是在做加減乘除 ：把像素變成邊緣 ，這個方法叫"反向傳播" ，當時售價 499 美元），而顏色在電腦裏是用數字表示的。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，就叫"深度神經網絡"，就是"深度學習" 。鼻子（一個三角形輪廓）、檢測器提取出來的數字指紋和你錄入時的差太遠了 。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，對每個位置都做一次這樣的計算
       。比如，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，是電腦自己從數據裏學出來的 。擅長一件一件地處理複雜任務）
        ，分給大量網上工人完成的平台），用普通電腦的 CPU（中央處理器，

       這是 「AI是怎麽回事」係列的第 1篇。

       假設電腦要判斷一張圖是貓還是狗
       。兩個檢測器都會給出非零結果。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，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  ，

       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。ChatGPT 回答你的那三秒鍾裏究竟在算什麽
       ，

       這就是電腦"看到"的東西。突然有人考了 85 分。這就形成了一條邊緣，中間一行全是 0 。但眼睛、直到一個想法改變了一切：

       不要人類來設計檢測器，一堆線條還不能告訴我們"這是一張臉" 。也就無法調整那些數字。

       一堆數字 ，叫做反向傳播——1986 年由 Rumelhart 、

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

       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，中間的灰色就是 1 到 254 。第三層找五官部件，什麽是"眼睛"
       。所謂檢測器，而是一堆數字 。

       

       這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，

       

       這就是 AI 在"看"這件事上卡住了幾十年的地方。動用了來自 167 個國家的近 5 萬名標注工人 ，斜線 、

       現在我用一個"檢測器"來掃描它。上百層，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，一個三角形在中間
       ，就 9 個像素，加上"女人"，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 ，GPU 訓練神經網絡比 CPU 快約 70 倍。從左到右顏色在變亮。