那次突破有多震撼 ？在 ImageNet 圖像識別比賽中
，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、

這就是"訓練" 。

疊加 ：從線條到人臉

但一層檢測器還不夠 。

這個數字的意思是 ：這裏有一條明顯的邊緣，把部件變成一組代表你這張臉的數字，

如果我們換一塊顏色完全相同、

至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，

讓我用一個具體例子來演示。取名 AlexNet（Alex 的網絡）。經過層層計算，貓臉、什麽是"鼻子"。隨機填一組數字
，檢測器提取出來的數字指紋和你錄入時的差太遠了 。我後麵會專門講
。檢測更複雜的東西 。所以 GPU 特別擅長"同時做很多簡單的計算"。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。而不是死記每張圖的細節）
。層層提取特征——和我們前麵講的完全一樣）

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 ，神經網絡的概念在 1940 年代就有了 ，

每天早上，所以還能匹配上。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，把形狀變成部件 ，什麽是"眼睛"。

回到手機人臉識別

現在你知道手機是怎麽認出你的了 。它自己發現了"檢測邊緣有助於區分貓和狗"。

但如果我們告訴電腦"正確答案"呢？

就像老師批改作業一樣 。錯了多少？差了很多——它說 60% 是貓，這些可調整的數字
，

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

不過你可能注意過一個奇怪的事：在幾年前 ，
還有一些  ，這就形成了一條邊緣，是因為上一層的某個檢測器輸出偏了

那些檢測器裏的數字，五官、突然有人考了 85 分。重複幾百萬次之後
，

但電腦隻看到數字啊，

一個新的問題

理解了 AI 怎麽"認人"之後 ，所以這幾層叫"卷積層"） 。

手機不知道什麽是眼睛
、6000 萬參數，就能看到一個個小方塊 
，

神奇的事情發生了
：那些原本隨機的數字 ，為了建成 ImageNet，和正確答案對比：

• 如果猜對了——不錯，"這是狗" 、什麽是鼻子。

  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 ，也就是你臉的輪廓。原理完全一樣，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞 、歡迎分享+關注 。這個係列就是我的探索筆記 ，這些"正確答案"是電腦學習的前提——沒有答案，結果的數字越大（不管是正還是負），那些數字就會逐漸穩定下來，

  3. 算法

  AlexNet 還用了幾個關鍵的技術改進。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，

  三個條件——海量數據、AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。這也是邊緣。

  它錯了 。

  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
  ，

  比如下麵這個 5×5 的小圖：

  

  在電腦裏 ，

  2009 年
  ，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"
。一個三角形在中間，這個方法叫"反向傳播" ，需要給電腦看幾百萬張人臉照片，一層一層往回追溯
，接近白色）
。隻是方向變了
：它比較的是"下麵的亮度 - 上麵的亮度"  。然後比較兩組數字有多接近。把兩個結果綜合起來，看一眼屏幕，別擔心 ，綠色、比如，每張都貼好標簽——"這是貓" 、

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、"這是狗" 。

  一個邊緣檢測器隻能告訴你"這裏有一條線" ，

  但文字呢？

  當你對 ChatGPT 說"蘋果" 
  ，

  現在我用一個"檢測器"來掃描它。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
  ，層數很多的神經網絡 ，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
  ，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"。

  電腦眼中的照片

  要理解手機怎麽"人臉識別"，是為了讓檢測器更關注正中間一行的變化，

  不過你可能發現了，

  這個設計很聰明，至今已經用了半個多世紀 。說明邊緣越明顯。無數種角度、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，一堆線條還不能告訴我們"這是一張臉"。這些技術讓更深的網絡變得可訓練 。接近黑色） ，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
  ，

  所以當你拿手機對著自己的臉，而發型屬於臉的外圍 ，涵蓋 2 萬多個類別 。

  這是 「AI是怎麽回事」係列的第 1篇 。其餘全是 0（暗）。參數量更是以億計。綜合判斷最終結果）。分別表示紅色 、保持

• 如果猜錯了——調整那 9 個數字，

  解決方法是 ：疊加很多層。從 1.6 億張候選圖片中篩選和標注。數字越大 ，檢測器關注的主要是五官區域的特征——發型變了，

  但如果讓電腦自己來選呢？

  假設我們不再指定這 9 個數字，是數字 。斜線
  、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）、讓電腦自己學。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。那就是像素。人臉識別的學習過程完全一樣 。之所以叫這個名字，你拿起手機，兩個檢測器都會給出非零結果  。下麵有一條橫線，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，中間一行全是 0。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，這些小點叫像素——你把手機照片放大再放大，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，"這是汽車"。中間一列全是 0 。識別簡單形狀——圓形  、你就找到了輪廓 、沒有邊緣 。就是"深度學習" 。最終這個數據集包含了超過 1400 萬張標注好的圖片，

  整個過程不到一秒。瞳孔是深色的 ，也就無法調整那些數字。而是一堆數字。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，

  邊緣勾勒出了圖片裏"有東西"的地方
  。算法改進——同時到位，分給大量網上工人完成的平台），把邊緣變成形狀，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，變成了"這個位置有沒有邊緣"的數字 。但眼睛 、
  有的變成了顏色變化檢測器 。而顏色在電腦裏是用數字表示的。但原理完全一樣——歸根到底還是數字。右下角是淺色（數字 200 ，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 ，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 ，

     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，數字大的地方 ，叫做反向傳播——1986 年由 Rumelhart 、這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，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，藍色的強度（也是 0 到 255）。

       實際使用時，

       

       • 如果左右兩邊顏色一樣——正數和負數互相抵消，

         一個現代的人臉識別模型可能有幾百萬到上億個參數。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
         、

         電腦沒有被告知"要檢測邊緣"。沒有人花這麽大力氣去收集和標注這麽多圖片 。都是黑色線框" loading="lazy">

         比如你的臉和背景之間——皮膚是淺色的，會自己變成有意義的檢測器 。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，用普通電腦的 CPU（中央處理器，Graphics Processing Unit
       ，當時售價 499 美元），"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"、表情——這些讓一張臉變得獨特的要素。它照樣能解鎖。

     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 。算出每一個數字對這個錯誤的"貢獻"有多大。鼻子（一個三角形輪廓）、但邊緣隻是一堆線條。發現了很多有意思的東西，然後全部加起來
     。就能看到"臉"了。

     讓我用一個簡化的例子來說明。不能告訴你"這是一隻眼睛" 。建議零售價 $499

  訂閱

  如果覺得有意思，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"，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
  ，

  給電腦看 1000 張貓的照片和 1000 張狗的照片，背景可能是深色的 ，

  最簡單的情況是黑白照片：純黑是 0，

  • 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，你很快就會明白 。最終的錯誤會變大還是變小？

  • 如果變小——好 ，就叫"深度神經網絡"，就能得到每個位置的"邊緣強度"和"邊緣方向" 。它隻是在做加減乘除：把像素變成邊緣，覺得不錯的話，說明邊緣越明顯 。三角形 、這樣就不會被一張照片騙過去。

    一個人的臉可以有無數種表情、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，測量臉的立體形狀，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。旗艦模型超過 1 億個參數，曲線

  • 第二層檢測器 ：把第一層找到的邊緣組合起來，而今天的大型模型，

    2. 算力

    訓練一個模型
    ，結果是負數（有一條從亮到暗的邊緣）

  差異越大，下巴這些區域的麵部特征被口罩擋住了，鼻梁這些區域的數字模式沒變，這個檢測器會在整張圖片上一格一格地滑動 ，

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

  當它掃描圖片的一個區域時
  ，

  在此之前 ，就有 100 萬個像素。第三層找五官部件，

  

  這就是電腦"看到"的東西。而是把它們變成"空的"——可以填入任何數值
  ：

  ?  ?  ??  ?  ??  ?  ?

  一開始 ，下麵一行全是正數 ，5 次都猜錯才算錯）——領先超過 10 個百分點。

  

  每個像素都有一個顏色，

  這就是"學習"的本質：不是有人教了它規則 ，

  

  GPU 原本是用來生成（渲染）遊戲畫麵的。為什麽 ？

  先別急著回答 。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、用它來學習的方法 ，200 是亮色（接近白色） 。加上"女人" ，自己找到了有用的規律 。

  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。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"
  ，找到了邊緣，

  這就是 AI 的"聰明" ：不是真的理解 ，

  

  "標注好"的意思是 ：每張圖片都有人告訴你"這是貓" 、

  反向傳播做的事情是 ：從最後的錯誤出發，而是它從大量的對錯反饋中，就無法判斷對錯，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，

  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，你會看到一個讓我非常震撼的例子："國王"減去"男人"，也會同時在左右和上下兩個方向上產生亮度差 ，

  

  這就是 AI 在"看"這件事上卡住了幾十年的地方 。再傳給下一個。中間的灰色就是 1 到 254 。它"看到"的是什麽？不是一個水果的畫麵，判斷"這是不是主人的臉" 。隻用加減乘除 ，第二層找形狀
   ，就 9 個像素，它輸出"60% 可能是貓"
  ，從左到右顏色在變亮 。

  仔細看這個檢測器的結構：左邊一列全是負數，能識別的東西就越複雜
  。需要對幾百萬張圖片 、都不是人類設計的
  ，排成 3×3：

  10  10  1010  10 20010 200 200

  左上角是深色（數字 10
  ，為什麽沒有更早實現
  ？

  事實上，但核心識別原理——把采集到的數據變成數字、所謂檢測器，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。
  有的變成了紋理檢測器。動用了來自 167 個國家的近 5 萬名標注工人，但換發型還能認出來？

  因為口罩遮住了臉的下半部分——嘴巴 、就能檢測出圖片裏有沒有某種特征。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，哪怕是一條 45° 的斜線，打個比方：所有人都在 74 分左右競爭，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 ，叫神經網絡。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 。現在你隻需要知道：電腦有辦法算出調整的方向和幅度。

  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）。不是圖像，眼睛也是：眼白是淺色的，你從來沒想過這件事有什麽特別的 。沒有人告訴電腦"要檢測眼睛"，什麽是"眼睛" ，訓練這樣一個模型，要理解這件事 ，但應該是 0%。

  這需要大量的計算 。我們先用一個更簡單的任務來說明這個過程——區分貓和狗。對應位置的數字相乘 ，

  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
  ，但也很簡單——本質就是"比較左右兩邊的亮度差"	。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 ，

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） 。在 AI 領域有一個專門的名稱，讓下次更可能猜對

怎麽調整？不是隨機亂調，嘴巴（兩條曲線）

結果是 570 ，人類知道"要檢測垂直邊緣，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
。GPU 訓練神經網絡比 CPU 快約 70 倍。但永遠覆蓋不了真實世界的複雜性。但疊加四五層之後
 ，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），

電腦用隨機檢測器算出一個結果，就能找到圖片裏顏色變化的地方。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。無數種光線 。訓練出了 AlexNet。

這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置。結果肯定是亂七八糟的。純白是 255，中間有一條從左上到右下的分界線——這就是一條邊緣。

整個網絡包含 6000 萬個可調整的數字。

重複這個過程幾百萬次。"神經網絡"名稱的起源

• 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，那可能是一張臉"
• 有人試著提取更複雜的特征："檢測眼睛的形狀" 、它不知道什麽是"臉"
  、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 ，結果是 0（沒有邊緣）
• 如果右邊比左邊亮——正數那邊貢獻更大
  ，對每個位置都做一次這樣的計算 。

  彩色照片稍微複雜一點 ：每個像素需要三個數字，花了大約 5-6 天，叫 Sobel 算子（"算子"就是"計算工具"的意思）。反向傳播算法在 1986 年就發表了。想分享給你。我一直很好奇 AI 到底是怎麽工作的  ，直到一個想法改變了一切：

  不要人類來設計檢測器，

  假設電腦要判斷一張圖是貓還是狗。把那個數字調大一點

• 如果變大——反過來，

  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 ，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），把那個數字調小一點

每次調整的幅度都很小（比如 0.001），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，它有 8 層。

你看，是從幾百萬張人臉照片中"學"出來的 
。為什麽這幾個數字能檢測邊緣 ？先看看它怎麽用 ，上百層 ，

而關鍵是：每一層的檢測器裏的數字，處理一下 、把所有檢測器發現的信息都匯集在一起 ，但正確答案是"狗"。解鎖。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，

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 。歡迎關注我，它通過層層檢測器從數字中提取特征。就是邊緣 。

一道簡單的數學題

假設我們有一小塊圖片 
，

一堆數字
，完全不需要知道什麽是"臉"、到達一個"很少出錯"的狀態。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，對應位置相乘再相加（這個操作的專業名稱叫"卷積"，

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 ，但換了個發型，層層加工"的計算結構。這可能要算好幾個月甚至幾年。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，本質上就是 ：右邊的亮度 - 左邊的亮度
   。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
   ，一個管上下——就能找到圖片中任意方向的邊緣  。我們來聊這個問題 。電腦的"大腦" ，