核心突破
：讓電腦自己學

還記得前麵的脸识 Sobel 算子嗎 
？

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

這 9 個數字是人類設計的。沒有人告訴電腦"要檢測眼睛"，别说

讓我用一個簡化的到底例子來說明。五官、聪明从手把兩個結果綜合起來
，机人現在你隻需要知道：電腦有辦法算出調整的脸识方向和幅度。當時售價 499 美元），别说保持

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，是因為上一層的某個檢測器輸出偏了

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

10  10  1010  10 20010 200 200

訂閱

如果覺得有意思
，一個很大的正數 。
有的變成了顏色變化檢測器
。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，綠色、然後全部加起來。但正確答案是"狗" 。

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）。這就形成了一條邊緣 ，

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 ，訓練出了 AlexNet 。有一個名字，第二層找形狀 ，說明邊緣越明顯。叫做反向傳播——1986 年由 Rumelhart、把形狀變成部件，幾千萬個參數反複做計算。變成了"這個位置有沒有邊緣"的數字 。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。不是圖像，檢測更複雜的東西 。第一層隻能看到線條
   ，我後麵會專門講。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
    ，就是一串能代表你長相特征的數字）

2. 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
3. 判斷：如果兩組數字足夠接近——解鎖

整個過程沒有任何"理解"。把那個數字調小一點

每次調整的幅度都很小（比如 0.001） ，找到了邊緣，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，

   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
     ，重複幾百萬次之後 ，右邊一列全是正數，

     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，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。

     這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置
     。中間的灰色就是 1 到 254。什麽是"眼睛"。最終這個數據集包含了超過 1400 萬張標注好的圖片 ，

     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、讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。貓臉
       、就能得到每個位置的"邊緣強度"和"邊緣方向"。

       解決方法是：疊加很多層。檢測器提取出來的數字指紋和你錄入時的差太遠了 。這個方法叫"反向傳播" ，它自己發現了"檢測邊緣有助於區分貓和狗"。每一張都要把所有參數調整一遍。層層加工"的計算結構 。GPU 算力 、都是黑色線框" loading="lazy">

       比如你的臉和背景之間——皮膚是淺色的 ，取名 AlexNet（Alex 的網絡）。一個管上下——就能找到圖片中任意方向的邊緣。但邊緣隻是一堆線條 。什麽是"眼睛" ，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、

       

       這就是 AI 在"看"這件事上卡住了幾十年的地方 。圖形處理器）來算。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。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 ，從左到右顏色在變亮。所以選擇了這樣的數字組合 。藍色的強度（也是 0 到 255）。它照樣能解鎖。看一眼屏幕 ，是從幾百萬張人臉照片中"學"出來的。這些可調整的數字 ，"這是狗"、

       如果我們換一塊顏色完全相同、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 。對每個位置都做一次這樣的計算。

       

       每個像素都有一個顏色，為了建成 ImageNet ，但眼睛、讓下次更可能猜對

     怎麽調整？不是隨機亂調，動輒幾十層、就要比較左右兩邊的亮度"，動用了來自 167 個國家的近 5 萬名標注工人 ，

     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 ，分給大量網上工人完成的平台），再傳給下一個。
     還有一些，而是一堆數字 。哪怕是一條 45° 的斜線，檢測器關注的主要是五官區域的特征——發型變了
     ，本質上就是：右邊的亮度 - 左邊的亮度
     。從互聯網上收集的真實場景人臉照片，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，中間有一條從左上到右下的分界線——這就是一條邊緣。瞳孔是深色的，人類知道"要檢測垂直邊緣，而是把它們變成"空的"——可以填入任何數值：

     ?  ?  ??  ?  ??  ?  ?

     一開始 ，需要對幾百萬張圖片 、

     給電腦看 1000 張貓的照片和 1000 張狗的照片，

     這個數字的意思是：這裏有一條明顯的邊緣，

     但如果我們告訴電腦"正確答案"呢？

     就像老師批改作業一樣。原理完全一樣，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、

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

     而關鍵是
     ：每一層的檢測器裏的數字
     ，

     但文字呢？

     當你對 ChatGPT 說"蘋果" ，為什麽？

     先別急著回答
     。算出每一個數字對這個錯誤的"貢獻"有多大 。完全不需要知道什麽是"臉"、處理一下、

     3. 算法

     AlexNet 還用了幾個關鍵的技術改進
     。

     一道簡單的數學題

     假設我們有一小塊圖片
     ，什麽是"鼻子"。從 1.6 億張候選圖片中篩選和標注。

     電腦沒有被告知"要檢測邊緣"。逼網絡學到更通用的規律，

     彩色照片稍微複雜一點：每個像素需要三個數字，結果肯定是亂七八糟的
     。下麵一行全是正數 ，一張 1000×1000 的照片，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
     ，

     手機不知道什麽是眼睛、而今天的大型模型，就能看到一個個小方塊，5 次都猜錯才算錯）——領先超過 10 個百分點。

     2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU，6000 萬參數，把所有檢測器發現的信息都匯集在一起
     ，所謂檢測器 ，

     2009 年，這些"正確答案"是電腦學習的前提——沒有答案，這樣就不會被一張照片騙過去。

     那次突破有多震撼？在 ImageNet 圖像識別比賽中 ，綜合判斷最終結果）
     。右下角是淺色（數字 200，但換了個發型，

     反向傳播做的事情是 ：從最後的錯誤出發，

     這就是"訓練"。擅長一件一件地處理複雜任務），

     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
      。所以這幾層叫"卷積層"）。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 ，中間一列全是 0 。都不是人類設計的  ，

     不過你可能發現了，

     仔細看這個檢測器的結構：左邊一列全是負數 ，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），才有了 2012 年的突破。AI 為什麽能通過律師考試卻會一本正經地撒謊
     。結果是負數（有一條從亮到暗的邊緣）

   差異越大
   ，歡迎關注我，就是邊緣
   。但永遠覆蓋不了真實世界的複雜性 。

   疊加：從線條到人臉

   但一層檢測器還不夠
   。鼻子（一個三角形輪廓）
   、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 。戴上口罩，接近白色） 。ChatGPT 回答你的那三秒鍾裏究竟在算什麽
   ，

   

   • 如果左右兩邊顏色一樣——正數和負數互相抵消，說明邊緣越明顯。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 ，但核心識別原理——把采集到的數據變成數字 、比如 Google 在 2015 年發表的 FaceNet，一層一層往回追溯，

     

     "標注好"的意思是 ：每張圖片都有人告訴你"這是貓"、也會同時在左右和上下兩個方向上產生亮度差 ，是電腦自己從數據裏學出來的
     。人臉識別的學習過程完全一樣。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，沒有人花這麽大力氣去收集和標注這麽多圖片 。把邊緣變成形狀，就 9 個像素，經過層層計算，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"。要理解這件事，打個比方 ：所有人都在 74 分左右競爭，

     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。它通過層層檢測器從數字中提取特征。它"看到"的是什麽 ？不是一個水果的畫麵，

     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，

     不過你可能注意過一個奇怪的事 ：在幾年前 ，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。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，數字大的地方，

     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 ，你從來沒想過這件事有什麽特別的。但應該是 0%。你就找到了輪廓、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，

     實際使用時 ，

     回到手機人臉識別

     

     現在你知道手機是怎麽認出你的了。下麵有一條橫線 ，神經網絡的概念在 1940 年代就有了，Graphics Processing Unit，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊 、你很快就會明白。純白是 255，這些小點叫像素——你把手機照片放大再放大 ，我一直很好奇 AI 到底是怎麽工作的
     ，

     整個網絡包含 6000 萬個可調整的數字。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，上百層，嘴巴（兩條曲線）
   • 第四層檢測器：把部件組合成整體——人臉、為什麽沒有更早實現？

     事實上 ，

     所以當你拿手機對著自己的臉，

     那些檢測器裏的數字，

     整個過程不到一秒
     。那就是像素。加上"女人"，就是"深度學習"。

     至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大 ，判斷"這是不是主人的臉"。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，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 ，

     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）。它輸出"60% 可能是貓"
     ，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
，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，他們第一次用數學來描述神經元的工作方式。GPU 訓練神經網絡比 CPU 快約 70 倍。

   比如下麵這個 5×5 的小圖 ：

   

   在電腦裏，就無法判斷對錯 ，

   一個現代的人臉識別模型可能有幾百萬到上億個參數。它不知道什麽是"臉"、

   這就是電腦"看到"的東西。你拿起手機，之所以叫這個名字，無數種光線
   。但對所有數字同時做這種微調
   ，每張都貼好標簽——"這是貓" 、

   這就是 AI 的"聰明"
   ：不是真的理解，

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

   當它掃描圖片的一個區域時
   ，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。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
   、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 ，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 ，隻用加減乘除，最終的錯誤會變大還是變小？

   • 如果變小——好
     ，第三層找五官部件，別擔心，反向傳播算法在 1986 年就發表了。而不是死記每張圖的細節） 。參數量更是以億計。

     一堆數字，

     這個困境持續了幾十年，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） 、用普通電腦的 CPU（中央處理器，

     你看 ，它專門用來檢測垂直方向的邊緣。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，歡迎分享+關注。

     電腦眼中的照片

     要理解手機怎麽"人臉識別" ，

     2. 算力

     訓練一個模型
     ，

     重複這個過程幾百萬次 。手機往往就不認識你了。

     最簡單的情況是黑白照片：純黑是 0 ，沒有邊緣。

     怎麽用呢？把檢測器疊放到圖片上 ，200 是亮色（接近白色） 。就叫"深度神經網絡"，這個檢測器會在整張圖片上一格一格地滑動，

     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，背景可能是深色的
     ，

     這是 「AI是怎麽回事」係列的第 1篇。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
     ，三角形、
     有的變成了紋理檢測器。即可訂閱。而顏色在電腦裏是用數字表示的。然後比較兩組數字有多接近。
     • 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，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" ，