微信搜索"我沒有三顆心髒"或者掃描二維碼 ，别说花了大約 5-6 天，到底

仔細看這個檢測器的聪明从手結構：左邊一列全是負數 ，檢測更複雜的机人東西。

這個類比最早來自 1943 年 McCulloch 和 Pitts 的脸识論文，
有的别说變成了紋理檢測器
。中間一列全是到底 0。就能檢測出圖片裏有沒有某種特征 。聪明从手8 層網絡 ，机人覺得不錯的脸识話，

這種"很多層檢測器疊加"的别说結構，層數很多的神經網絡，最終的錯誤會變大還是變小 ？

• 如果變小——好，為什麽沒有更早實現？

  事實上，AI 為什麽能通過律師考試卻會一本正經地撒謊。才有了 2012 年的突破。比如，

  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，就無法判斷對錯，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，

  這需要大量的計算。三角形、

  而關鍵是：每一層的檢測器裏的數字，上百層，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"。為什麽 ？

  先別急著回答。

  這就是 AI 的"聰明"
  ：不是真的理解，數字越小越暗，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，而今天的大型模型，沒有人告訴電腦"要檢測眼睛"，

  這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。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），

  整個過程不到一秒。不過你不需要把這個類比想得太深——它隻是一種"層層傳遞 
  、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
  ，"這是汽車"
  。數字越大，也會同時在左右和上下兩個方向上產生亮度差，

  2012 年
  ，純白是 255
  ，"神經網絡"名稱的起源

• ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，就能得到每個位置的"邊緣強度"和"邊緣方向"
  。叫做反向傳播——1986 年由 Rumelhart、看一眼屏幕 ，現在你隻需要知道：電腦有辦法算出調整的方向和幅度 
  。藍色的強度（也是 0 到 255）。
  • 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 ，

  所以當你拿手機對著自己的臉，手機往往就不認識你了。背景可能是深色的
  ，但也很簡單——本質就是"比較左右兩邊的亮度差" 。是數字。

  2009 年，

  但電腦隻看到數字啊 ，就能看到"臉"了。一個很大的正數 。

  一個現代的人臉識別模型可能有幾百萬到上億個參數。逼網絡學到更通用的規律 ，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）、發現了很多有意思的東西 ，

  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 。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域 。你從來沒想過這件事有什麽特別的。

  但如果讓電腦自己來選呢？

  假設我們不再指定這 9 個數字，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 。

  那次突破有多震撼？在 ImageNet 圖像識別比賽中
  ，綠色 、

  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，

  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，

  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	，所以這幾層叫"卷積層"）。
  回到手機人臉識別
  現在你知道手機是怎麽認出你的了。它"看到"的是什麽？不是一個水果的畫麵
  	，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
  ，要理解這件事，把兩個結果綜合起來，結果肯定是亂七八糟的。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，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你
  。
  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	，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，神經網絡的概念在 1940 年代就有了
  
  ，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	
  ，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
  ，
  你看，
  讓我用一個具體例子來演示	。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	，
  Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，斜線	、取名 AlexNet（Alex 的網絡）。
  邊緣勾勒出了圖片裏"有東西"的地方。它專門用來檢測垂直方向的邊緣。
  三個條件——海量數據、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	
  ，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，
  -1  0  1-2  0  2-1  0  1
  當它掃描圖片的一個區域時，
  給電腦看 1000 張貓的照片和 1000 張狗的照片，
  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。檢測器關注的主要是五官區域的特征——發型變了，不是圖像，沒有人花這麽大力氣去收集和標注這麽多圖片
  	。說明邊緣越明顯	。讓下次更可能猜對
  怎麽調整？不是隨機亂調，
  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）。一堆線條還不能告訴我們"這是一張臉"。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。
  2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU，到達一個"很少出錯"的狀態	。它輸出"60% 可能是貓"，和正確答案對比	：
  如果猜對了——不錯，
  這個設計很聰明，我一直很好奇 AI 到底是怎麽工作的
  
  ，
  實際使用時，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。而是把它們變成"空的"——可以填入任何數值
  ：
  ?  ?  ??  ?  ??  ?  ?
  一開始，
  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
  
  ，但換了個發型，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，越大越亮
  。在 AI 領域有一個專門的名稱，層數越多，即可訂閱。用普通電腦的 CPU（中央處理器，
  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	，但對所有數字同時做這種微調，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。都是黑色線框" loading="lazy">
  比如你的臉和背景之間——皮膚是淺色的，
  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，歡迎分享+關注
  。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
  ，打個比方：所有人都在 74 分左右競爭，它有 8 層。結果的數字越大（不管是正還是負），
  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。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。無數種角度、結果是 0（沒有邊緣）
  如果右邊比左邊亮——正數那邊貢獻更大，第三層找五官部件，它隻是在做加減乘除
  ：把像素變成邊緣，讓檢測結果更穩定。"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"
  、都不是人類設計的，它自己發現了"檢測邊緣有助於區分貓和狗"
  
  。一層一層往回追溯，這可能要算好幾個月甚至幾年	。綜合判斷最終結果）。把邊緣變成形狀	，右邊一列全是正數，為了建成 ImageNet
  
  ，人類知道"要檢測垂直邊緣，就有 100 萬個像素。GPU 算力、把部件變成一組代表你這張臉的數字，你會看到一個讓我非常震撼的例子	："國王"減去"男人"	
  ，層層加工"的計算結構。但疊加四五層之後
  ，曲線
  第二層檢測器	：把第一層找到的邊緣組合起來
  ，200 是亮色（接近白色）
  。這個檢測器會在整張圖片上一格一格地滑動，我們先用一個更簡單的任務來說明這個過程——區分貓和狗。
  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，之所以叫這個名字
  ，加上"女人"
  	，
  在此之前，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
  	
  ，
  解決方法是
  	：疊加很多層
  。把那個數字調小一點
  每次調整的幅度都很小（比如 0.001），什麽是"鼻子"
  。一張 1000×1000 的照片	，這些技術讓更深的網絡變得可訓練。豎線、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	，
  至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，建議零售價 $499

訂閱

如果覺得有意思 ，這些"正確答案"是電腦學習的前提——沒有答案
，隻用加減乘除
，對每個位置都做一次這樣的計算。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，

整個網絡包含 6000 萬個可調整的數字。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 ，



而是它從大量的對錯反饋中，

這就是"學習"的本質：不是有人教了它規則 ，動用了來自 167 個國家的近 5 萬名標注工人，什麽是"眼睛"。我們來聊這個問題。斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，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 ，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 ，需要給電腦看幾百萬張人臉照片 ，完全不需要知道什麽是"臉"
、叫神經網絡  。是電腦自己從數據裏學出來的 。就叫"深度神經網絡"，自己找到了有用的規律 。把所有檢測器發現的信息都匯集在一起，分別表示紅色 、這些小點叫像素——你把手機照片放大再放大 ，想分享給你
。

一道簡單的數學題

假設我們有一小塊圖片，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，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"，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，五官、

神奇的事情發生了：那些原本隨機的數字，而發型屬於臉的外圍，



每天早上 ，但應該是 0%。然後全部加起來。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  。

一個邊緣檢測器隻能告訴你"這裏有一條線" ，但原理完全一樣——歸根到底還是數字。不能告訴你"這是一隻眼睛"。反向傳播算法在 1986 年就發表了。

疊加
 ：從線條到人臉

但一層檢測器還不夠 。Graphics Processing Unit
，5 次都猜錯才算錯）——領先超過 10 個百分點。訓練出了 AlexNet。解鎖。至今已經用了半個多世紀。比如 Google 在 2015 年發表的 FaceNet，動輒幾十層、就能找到圖片裏顏色變化的地方
。是從幾百萬張人臉照片中"學"出來的。什麽是"眼睛" ，變成了"這個位置有沒有邊緣"的數字 。幾千萬個參數反複做計算。

電腦沒有被告知"要檢測邊緣" 。

怎麽用呢？把檢測器疊放到圖片上，下麵有一條橫線 ，
有的變成了顏色變化檢測器。電腦的"大腦"，從互聯網上收集的真實場景人臉照片 ，

一個新的問題

理解了 AI 怎麽"認人"之後，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，

  這個困境持續了幾十年，最終這個數據集包含了超過 1400 萬張標注好的圖片，後續文章也會持續更新。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"，圖形處理器）來算 。這就形成了一條邊緣
  ，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，中間有一條從左上到右下的分界線——這就是一條邊緣。別擔心 ，但核心識別原理——把采集到的數據變成數字、第一層隻能看到線條 ，這樣就不會被一張照片騙過去 。中間一行全是 0
  。

  彩色照片稍微複雜一點：每個像素需要三個數字，

  這個數字的意思是：這裏有一條明顯的邊緣，其餘全是 0（暗）。

  假設電腦要判斷一張圖是貓還是狗。

  這是 「AI是怎麽回事」係列的第 1篇。"這是狗"
  。"這是狗"、識別簡單形狀——圓形 、

  電腦眼中的照片

  要理解手機怎麽"人臉識別"，

  不過你可能注意過一個奇怪的事：在幾年前  ，戴上口罩 ，就是一組數字組成的小模板——把它疊到圖片上，

  讓我用一個簡化的例子來說明 。這個方法叫"反向傳播"，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，就能看到一個個小方塊，那可能是一張臉"

整個過程沒有任何"理解"。從 1.6 億張候選圖片中篩選和標注。

那些檢測器裏的數字，有一個名字，訓練這樣一個模型 ，突然有人考了 85 分 。但永遠覆蓋不了真實世界的複雜性。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"。而是一堆數字。所謂檢測器，top-5 錯誤率 15.3%

像素 → 邊緣 → 形狀 → 部件 → 整體

每一層都是在上一層的基礎上 ，

它錯了。你就找到了輪廓、

一個人的臉可以有無數種表情、參數量更是以億計。一個管上下——就能找到圖片中任意方向的邊緣 。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。排成 3×3
：

10  10  1010  10 20010 200 200

左上角是深色（數字 10 ，我後麵會專門講。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
、

不過你可能發現了 ，眼睛也是
：眼白是淺色的，

"標注好"的意思是 ：每張圖片都有人告訴你"這是貓"、這些可調整的數字，但換發型還能認出來 ？

因為口罩遮住了臉的下半部分——嘴巴 、超過 1400 萬張標注圖片

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