而訓練神經網絡恰好也是到底這種活——對幾百萬個數字做大量簡單的乘法和加法 。但永遠覆蓋不了真實世界的聪明从手複雜性 。後 3 層負責把前麵提取到的机人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"，

電腦沒有被告知"要檢測邊緣"  。脸识

而關鍵是别说
：每一層的檢測器裏的數字
，但核心識別原理——把采集到的到底數據變成數字、5 次都猜錯才算錯）——領先超過 10 個百分點 。聪明从手

這就是机人 AI 的"聰明"：不是真的理解，

2009 年 ，脸识這些可調整的别说數字，
還有一些，到底

GPU 原本是聪明从手用來生成（渲染）遊戲畫麵的。檢測的机人東西連人類都說不清楚——但它們確實對區分貓和狗有用。幾千萬個參數反複做計算。脸识所以還能匹配上。别说就能看到"臉"了。發表於 Nature

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，而是一堆數字。不是圖像，就是一串能代表你長相特征的數字）

整個過程沒有任何"理解" 。

這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。

一個邊緣檢測器隻能告訴你"這裏有一條線"
，

那次突破有多震撼？在 ImageNet 圖像識別比賽中，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
。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。和正確答案對比：

• 如果猜對了——不錯，就是邊緣。加上"女人"
  ，所以 GPU 特別擅長"同時做很多簡單的計算"。

  讓我用一個簡化的例子來說明 。

  2012 年 ，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，

  Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"。在 AI 領域有一個專門的名稱
  ，圖形處理器）來算。要理解這件事，就要比較左右兩邊的亮度"  ，然後比較兩組數字有多接近
   。

  但如果讓電腦自己來選呢？

  假設我們不再指定這 9 個數字 ，層數很多的神經網絡，把那個數字調大一點

• 如果變大——反過來 ，

  給電腦看 1000 張貓的照片和 1000 張狗的照片，這可能要算好幾個月甚至幾年。

  你看 ，至今已經用了半個多世紀。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 。自己找到了有用的規律
  。隨機填一組數字 ，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
  、下麵有一條橫線，能識別的東西就越複雜
  。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
  ，它自己發現了"檢測邊緣有助於區分貓和狗" 。所以這幾層叫"卷積層"）。擅長一件一件地處理複雜任務），把部件變成一組代表你這張臉的數字，涵蓋 2 萬多個類別。

  

  AI 能"看"了——圖片在它眼裏是數字矩陣 ，你拿起手機
  ，

  重複這個過程幾百萬次 。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，人類知道"要檢測垂直邊緣，綜合判斷最終結果）。它不知道什麽是"臉"、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，

     一個新的問題

     理解了 AI 怎麽"認人"之後，

     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 。什麽是"眼睛" 。中間有一條從左上到右下的分界線——這就是一條邊緣
     。右下角是淺色（數字 200 ，算法改進——同時到位，中間的灰色就是 1 到 254 。

     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 ，從 1.6 億張候選圖片中篩選和標注 。

     這種"很多層檢測器疊加"的結構，

     這個設計很聰明
     ，最終的錯誤會變大還是變小？

     • 如果變小——好 ，證明在特定任務上 ，叫做反向傳播——1986 年由 Rumelhart、但換發型還能認出來
       ？

       因為口罩遮住了臉的下半部分——嘴巴、然後全部加起來
       。一個三角形在中間 ，所謂檢測器 ，把那個數字調小一點

     每次調整的幅度都很小（比如 0.001）
     ，處理一下、

     在此之前，

     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）
     。讓下次更可能猜對

怎麽調整？不是隨機亂調，說明邊緣越明顯。我們來聊這個問題
。

2. 算力

訓練一個模型 ，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU）
，分給大量網上工人完成的平台） ，但邊緣隻是一堆線條。

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，我們先用一個更簡單的任務來說明這個過程——區分貓和狗。top-5 錯誤率 15.3%
2. AlexNet - Wikipedia — AlexNet 架構細節與參數量
3. FaceNet: A Unified Embedding for Face Recognition and Clustering - Schroff, Kalenichenko, Philbin (2015) — Google 的人臉識別模型 ，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，旗艦模型超過 1 億個參數 ，

這就是"學習"的本質 ：不是有人教了它規則 ，解鎖 。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。越大越亮。那就是像素。表情——這些讓一張臉變得獨特的要素。

一道簡單的數學題

假設我們有一小塊圖片 ，所以選擇了這樣的數字組合 。

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，

實際使用時，是數字。即可訂閱。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 ，有一個名字，那些數字就會逐漸穩定下來，什麽是"鼻子"。接近白色） 。而顏色在電腦裏是用數字表示的。

電腦眼中的照片

要理解手機怎麽"人臉識別"，



它有 8 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。到達一個"很少出錯"的狀態。

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，也會同時在左右和上下兩個方向上產生亮度差，

  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，這就形成了一條邊緣，斜線、對每個位置都做一次這樣的計算。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"
  。需要給電腦看幾百萬張人臉照片，第二層找形狀 ，就能看到一個個小方塊，下巴這些區域的麵部特征被口罩擋住了，

  解決方法是：疊加很多層 
  。

  不過你可能發現了 ，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。但眼睛、

  2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU，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。數字大的地方，神經網絡的概念在 1940 年代就有了，就是"深度學習" 。

  但如果我們告訴電腦"正確答案"呢
  ？

  就像老師批改作業一樣 。

  彩色照片稍微複雜一點：每個像素需要三個數字
  ，這些技術讓更深的網絡變得可訓練。

  仔細看這個檢測器的結構：左邊一列全是負數，中間一列全是 0 。層數越多 ，直到一個想法改變了一切：

  不要人類來設計檢測器，數字越小越暗 ，識別簡單形狀——圓形 、

  比如下麵這個 5×5 的小圖 ：

  

  在電腦裏，保持

• 如果猜錯了——調整那 9 個數字，讓檢測結果更穩定 。

  那些檢測器裏的數字
  ，但原理完全一樣——歸根到底還是數字。但疊加四五層之後
  ，沒有人花這麽大力氣去收集和標注這麽多圖片。

  3. 算法

  AlexNet 還用了幾個關鍵的技術改進。"這是狗"、從互聯網上收集的真實場景人臉照片 ，

  這是 「AI是怎麽回事」係列的第 1篇。就有 100 萬個像素。花了大約 5-6 天 ，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，現在你隻需要知道 ：電腦有辦法算出調整的方向和幅度
  。6000 萬參數 ，

  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，分別表示紅色 、本質上就是 ：右邊的亮度 - 左邊的亮度 。

  • 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
  ，從左到右顏色在變亮 。

  

  這就是 AI 在"看"這件事上卡住了幾十年的地方。

  

  每個像素都有一個顏色
  ，叫"參數"
  。戴上口罩，GPU 算力、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 ，

  不過你可能注意過一個奇怪的事 ：在幾年前，這個係列就是我的探索筆記 ，為了建成 ImageNet ，發現了很多有意思的東西，動用了來自 167 個國家的近 5 萬名標注工人，貓臉、建議零售價 $499

訂閱

如果覺得有意思，你就找到了輪廓、歡迎關注我，

如果我們換一塊顏色完全相同、

反向傳播做的事情是：從最後的錯誤出發
，藍色的強度（也是 0 到 255）。是因為上一層的某個檢測器輸出偏了

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  -2  -1 0   0   0 1   2   1