2012 年的机人突破用了一個聰明的辦法：用遊戲顯卡（GPU，

每個像素都有一個顏色
，動輒幾十層、别说這樣就不會被一張照片騙過去。到底其餘全是聪明从手 0（暗）。測量臉的机人立體形狀，不是脸识咬一口的味道——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，超過 1400 萬張標注圖片

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

訂閱

如果覺得有意思
，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，

回到手機人臉識別

現在你知道手機是怎麽認出你的了
。

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，要理解這件事，叫 Sobel 算子（"算子"就是"計算工具"的意思） 。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 
，別擔心，也會同時在左右和上下兩個方向上產生亮度差 ，層層疊加

142  98  87 134 156 178 ... 78  45  52  89 123 145 ...134 167 189 201 178 156 ...... (幾百萬個數字)

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

差異越大
，就能找到圖片裏顏色變化的地方 。叫神經網絡 。
還有一些 ，

這就是電腦"看到"的東西。看一眼屏幕
，找到了邊緣 ，就能檢測出圖片裏有沒有某種特征
。

不過你可能發現了，而是一堆數字 。有一個名字，變成了"這個位置有沒有邊緣"的數字。這就形成了一條邊緣，什麽是鼻子。五官、就能看到一個個小方塊，戴上口罩 ，

手機不知道什麽是眼睛、49000 名標注工人來自 167 個國家

像素 → 邊緣 → 形狀 → 部件 → 整體

每一層都是在上一層的基礎上，

GPU 原本是用來生成（渲染）遊戲畫麵的
。

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，綠色
、是因為上一層的某個檢測器輸出偏了
那個檢測器偏了，
比如下麵這個 5×5 的小圖：
在電腦裏，但對所有數字同時做這種微調，
"標注好"的意思是：每張圖片都有人告訴你"這是貓"	
、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，
如果左右兩邊顏色一樣——正數和負數互相抵消，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色
	，
這就是"訓練"。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、他們第一次用數學來描述神經元的工作方式
。沒有人告訴電腦"要檢測眼睛"
，所以選擇了這樣的數字組合	。不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、8 層網絡，
整個網絡包含 6000 萬個可調整的數字。
這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起	。用它來學習的方法
，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文	，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"	，
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，它自己發現了"檢測邊緣有助於區分貓和狗"
。
所以當你拿手機對著自己的臉
，
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
，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。
反向傳播做的事情是：從最後的錯誤出發
，
讓我用一個具體例子來演示。把那個數字調大一點
如果變大——反過來
，至今已經用了半個多世紀
。覺得不錯的話
，每張都貼好標簽——"這是貓"
、就是邊緣。它專門用來檢測垂直方向的邊緣。都是黑色線框" loading="lazy">
比如你的臉和背景之間——皮膚是淺色的，
這就是 AI 在"看"這件事上卡住了幾十年的地方。
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。中間一列全是 0
。第三層找五官部件
，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"。
假設電腦要判斷一張圖是貓還是狗。等於什麽？
參考資料
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
A logical calculus of the ideas immanent in nervous activity - McCulloch & Pitts (1943) — 第一個神經元數學模型，
讓我用一個簡化的例子來說明。處理一下
	、就無法判斷對錯
，AI 為什麽能通過律師考試卻會一本正經地撒謊。
三個條件——海量數據、
實際使用時
，
有的變成了顏色變化檢測器。
彩色照片稍微複雜一點：每個像素需要三個數字，瞳孔是深色的	
，會自己變成有意義的檢測器
。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，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字
，保持
如果猜錯了——調整那 9 個數字，6000 萬參數，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
，
這個設計很聰明
，
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580
，到達一個"很少出錯"的狀態。歡迎關注我，什麽是"眼睛"	，
但電腦隻看到數字啊，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
。眼睛也是：眼白是淺色的，你就找到了輪廓、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
，
但文字呢？
當你對 ChatGPT 說"蘋果"，一個三角形在中間，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。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，從 1.6 億張候選圖片中篩選和標注
。圖形處理器）來算。
現在我用一個"檢測器"來掃描它	。接近白色）。所謂檢測器	，哪怕是一條 45° 的斜線

，它照樣能解鎖。才有了 2012 年的突破。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。不能告訴你"這是一隻眼睛"
。所以這幾層叫"卷積層"）
。
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。斜線
	、中間有一條從左上到右下的分界線——這就是一條邊緣。
讓我把完整的過程串起來：
采集麵部數據
：手機用攝像頭和傳感器采集你的麵部信息，最終這個數據集包含了超過 1400 萬張標注好的圖片，什麽是"鼻子"。右下角是淺色（數字 200，"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"、是為了讓檢測器更關注正中間一行的變化，
它錯了。讓電腦自己學
。檢測更複雜的東西。而是把它們變成"空的"——可以填入任何數值
：
?  ?  ??  ?  ??  ?  ?
一開始	，
這是 「AI是怎麽回事」係列的第 1篇	。下巴這些區域的麵部特征被口罩擋住了，
邊緣勾勒出了圖片裏"有東西"的地方	。識別簡單形狀——圓形
、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），為什麽？
先別急著回答。想分享給你	。
一個人的臉可以有無數種表情
、歡迎分享+關注
。而今天的大型模型	，而是它從大量的對錯反饋中，它有 8 層。取名 AlexNet（Alex 的網絡）。
不過你可能注意過一個奇怪的事	：在幾年前	，
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）
。這些可調整的數字，旗艦模型超過 1 億個參數，所以 GPU 特別擅長"同時做很多簡單的計算"
。不是圖像，
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，
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，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，
這需要大量的計算
	。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）

、動用了來自 167 個國家的近 5 萬名標注工人
，這個檢測器會在整張圖片上一格一格地滑動
，為什麽沒有更早實現？
事實上，一個很大的正數
。訓練出了 AlexNet。"這是狗"、神經網絡的概念在 1940 年代就有了
	，分給大量網上工人完成的平台），結果肯定是亂七八糟的
。那就是像素
。中間一行全是 0	。手機往往就不認識你了。下麵一行全是正數，一張 1000×1000 的照片，下麵有一條橫線	，表情——這些讓一張臉變得獨特的要素	。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，就有 100 萬個像素
。那些數字就會逐漸穩定下來，現在你隻需要知道：電腦有辦法算出調整的方向和幅度	
。算出每一個數字對這個錯誤的"貢獻"有多大
。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
。什麽是"眼睛"。
神奇的事情發生了
：那些原本隨機的數字	，檢測器提取出來的數字指紋和你錄入時的差太遠了
。排成 3×3：
10  10  1010  10 20010 200 200
左上角是深色（數字 10，叫"參數"
。
重複這個過程幾百萬次。讓下次更可能猜對
怎麽調整？不是隨機亂調，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。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，
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

，但正確答案是"狗"
。把那個數字調小一點
每次調整的幅度都很小（比如 0.001），重複幾百萬次之後	，所以還能匹配上。
-1  0  1-2  0  2-1  0  1
當它掃描圖片的一個區域時
，
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，它輸出"60% 可能是貓"，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域
。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，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	。我一直很好奇 AI 到底是怎麽工作的，是數字。為了建成 ImageNet，需要給電腦看幾百萬張人臉照片	
，原理完全一樣，它"看到"的是什麽
？不是一個水果的畫麵，但換發型還能認出來
？
因為口罩遮住了臉的下半部分——嘴巴	、越大越亮	
。曲線
第二層檢測器：把第一層找到的邊緣組合起來，
2012 年，而不是死記每張圖的細節）	。藍色的強度（也是 0 到 255）。你從來沒想過這件事有什麽特別的。把邊緣變成形狀，它隻是在做加減乘除：把像素變成邊緣

，就是一組數字組成的小模板——把它疊到圖片上
，
這就是"學習"的本質：不是有人教了它規則，從左到右顏色在變亮。這些"正確答案"是電腦學習的前提——沒有答案	，本質上就是：右邊的亮度 - 左邊的亮度。"這是狗"。為什麽這幾個數字能檢測邊緣
？先看看它怎麽用
，反向傳播算法在 1986 年就發表了
。是電腦自己從數據裏學出來的。
電腦眼中的照片
要理解手機怎麽"人臉識別"，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
，
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、貓臉、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
。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"。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊
、但換了個發型，比如 Google 在 2015 年發表的 FaceNet，說明邊緣越明顯
。
電腦沒有被告知"要檢測邊緣"
。比如，
一個邊緣檢測器隻能告訴你"這裏有一條線"
，
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，
這種"很多層檢測器疊加"的結構，而發型屬於臉的外圍，之所以叫這個名字
，
而關鍵是：每一層的檢測器裏的數字
，它不知道什麽是"臉"、擅長一件一件地處理複雜任務），
至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大
，說明邊緣越明顯。沒有邊緣

。但核心識別原理——把采集到的數據變成數字、在 AI 領域有一個專門的名稱，200 是亮色（接近白色）
。就是"深度學習"	。這些技術讓更深的網絡變得可訓練
。斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。讓檢測結果更穩定。
這個困境持續了幾十年	，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	
，判斷"這是不是主人的臉"。
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，直到一個想法改變了一切：

不要人類來設計檢測器 ，我後麵會專門講。

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 。從互聯網上收集的真實場景人臉照片，一層一層往回追溯 ，

在此之前，

給電腦看 1000 張貓的照片和 1000 張狗的照片，證明在特定任務上 ，LFW 準確率 99.63%