這就是脸识 AI 的"聰明"  ：不是真的理解，實際上在做這件事 ：

• 右邊像素的别说亮度 × 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 ，什麽是到底鼻子
。

那些檢測器裏的聪明从手數字，藍色的机人強度（也是 0 到 255）
。我們先用一個更簡單的脸识任務來說明這個過程——區分貓和狗
。它專門用來檢測垂直方向的别说邊緣。中間一列全是 0。反向傳播算法在 1986 年就發表了。訓練這樣一個模型 ，到達一個"很少出錯"的狀態。那就是像素。8 層網絡 ，至今已經用了半個多世紀 。算法改進——同時到位，層層加工"的計算結構。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
，

解決方法是
：疊加很多層 。

2009 年，

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
，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域 。不能告訴你"這是一隻眼睛" 。判斷"這是不是主人的臉" 。之所以叫這個名字，哪怕是一條 45° 的斜線 ，

彩色照片稍微複雜一點：每個像素需要三個數字，手機往往就不認識你了 。重複幾百萬次之後，

讓我用一個具體例子來演示。

Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，

一個現代的人臉識別模型可能有幾百萬到上億個參數。就能找到圖片裏顏色變化的地方。沒有邊緣。對應位置相乘再相加（這個操作的專業名稱叫"卷積"，下麵有一條橫線，是因為裏麵的某個數字該大一點

這個困境持續了幾十年，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 、

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，

  

  

  這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文 ，而是一堆數字。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 ，

  它錯了。所以選擇了這樣的數字組合
   。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 ，人類知道"要檢測垂直邊緣，你就找到了輪廓
  、

  這就是"訓練" 。本質上就是：右邊的亮度 - 左邊的亮度。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
   ，涵蓋 2 萬多個類別。是數字。處理一下 、這個方法叫"反向傳播" ，

  一個新的問題

  理解了 AI 怎麽"認人"之後，Graphics Processing Unit，就有 100 萬個像素。

  這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。

  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、每張都貼好標簽——"這是貓" 
    、第一層隻能看到線條 ，對應位置的數字相乘，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 ，曲線
    3. 第二層檢測器  ：把第一層找到的邊緣組合起來，一張 1000×1000 的照片，無數種角度、貓臉 、純白是 255，數字大的地方 ，然後全部加起來 。五官、把邊緣變成形狀 ，

       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。逼網絡學到更通用的規律 ，電腦的"大腦"，它通過層層檢測器從數字中提取特征。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。這也是邊緣 。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，

       這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置。層層疊加

    4. 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" ，

       2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU，幾千萬個參數反複做計算。它照樣能解鎖。所以還能匹配上。瞳孔是深色的 ，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），是因為上一層的某個檢測器輸出偏了

    5. 那個檢測器偏了 ，就能看到"臉"了。其餘全是 0（暗）。

       如果我們換一塊顏色完全相同 、包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率
       。什麽是"眼睛"。即可訂閱 。原理完全一樣，

       神奇的事情發生了 ：那些原本隨機的數字，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。是從幾百萬張人臉照片中"學"出來的
       。

       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 
       ，戴上口罩，就是邊緣 。檢測更複雜的東西 。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，從左到右顏色在變亮。

       但如果讓電腦自己來選呢？

       假設我們不再指定這 9 個數字，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。

       讓我用一個簡化的例子來說明 。就要比較左右兩邊的亮度" ，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 ，

       一堆數字 ，

       不過你可能注意過一個奇怪的事：在幾年前，而不是死記每張圖的細節） 。背景可能是深色的 ，

       給電腦看 1000 張貓的照片和 1000 張狗的照片，從 1.6 億張候選圖片中篩選和標注。弧線

    6. 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）、就能看到一個個小方塊
       ，

       現在我用一個"檢測器"來掃描它。用普通電腦的 CPU（中央處理器 ，而是把它們變成"空的"——可以填入任何數值
       ：

       ?  ?  ??  ?  ??  ?  ?

       一開始，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集  。

       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，發現了很多有意思的東西 ，

         疊加：從線條到人臉

         但一層檢測器還不夠
         。叫做反向傳播——1986 年由 Rumelhart、但永遠覆蓋不了真實世界的複雜性。

         

         每天早上，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，接近白色）。"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"、把兩個結果綜合起來，想分享給你 。比如 Google 在 2015 年發表的 FaceNet ，它輸出"60% 可能是貓" ，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，需要對幾百萬張圖片、

       電腦用隨機檢測器算出一個結果
       ，

       至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，完全不需要知道什麽是"臉"
       、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 。

       整個網絡包含 6000 萬個可調整的數字
       。

       這需要大量的計算。這些小點叫像素——你把手機照片放大再放大 ，越大越亮 。

       一個人的臉可以有無數種表情、沒有人告訴電腦"要檢測眼睛"，

       不過你可能發現了，擅長一件一件地處理複雜任務）
       ，

       但電腦隻看到數字啊 ，找到了邊緣
       ，

       

       這就是 AI 在"看"這件事上卡住了幾十年的地方 。

       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。結果是負數（有一條從亮到暗的邊緣）

  差異越大
  ，

  這是 「AI是怎麽回事」係列的第 1篇 。就能得到每個位置的"邊緣強度"和"邊緣方向"。它不知道什麽是"臉"、這個檢測器會在整張圖片上一格一格地滑動，第三層找五官部件，我後麵會專門講。

  手機不知道什麽是眼睛 、GPU 訓練神經網絡比 CPU 快約 70 倍  。但也很簡單——本質就是"比較左右兩邊的亮度差"。

  2. 算力

  訓練一個模型 ，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
  ，

  在此之前
  ，叫神經網絡
  。

  

  GPU 原本是用來生成（渲染）遊戲畫麵的。下巴這些區域的麵部特征被口罩擋住了，

  仔細看這個檢測器的結構
   ：左邊一列全是負數 ，右邊一列全是正數
  ，才有了 2012 年的突破 
  。右下角是淺色（數字 200，三角形、它"看到"的是什麽？不是一個水果的畫麵 ，

  邊緣勾勒出了圖片裏"有東西"的地方。"神經網絡"名稱的起源

• ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文 ，就是一組數字組成的小模板——把它疊到圖片上，但應該是 0%。

  電腦眼中的照片

  要理解手機怎麽"人臉識別"
   ，取名 AlexNet（Alex 的網絡） 。動用了來自 167 個國家的近 5 萬名標注工人
  ，檢測器提取出來的數字指紋和你錄入時的差太遠了 。"這是汽車"。

  那次突破有多震撼 ？在 ImageNet 圖像識別比賽中，讓電腦自己學。斜線、把那個數字調小一點

每次調整的幅度都很小（比如 0.001）
，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"
。和正確答案對比：

• 如果猜對了——不錯 ，我們來聊這個問題 。自己找到了有用的規律 。一層一層往回追溯 ，但核心識別原理——把采集到的數據變成數字 、層數很多的神經網絡，

  這就是"學習"的本質：不是有人教了它規則，
  有的變成了顏色變化檢測器。

  電腦沒有被告知"要檢測邊緣"。把部件變成一組代表你這張臉的數字，但眼睛、證明在特定任務上 ，
  有的變成了紋理檢測器。對每個位置都做一次這樣的計算 。AI 為什麽能通過律師考試卻會一本正經地撒謊。神經網絡的概念在 1940 年代就有了，

  這個設計很聰明 ，看一眼屏幕 ，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，但對所有數字同時做這種微調，就 9 個像素 ，檢測器關注的主要是五官區域的特征——發型變了 ，

  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，最終這個數據集包含了超過 1400 萬張標注好的圖片 ，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊 、但換發型還能認出來？

  因為口罩遮住了臉的下半部分——嘴巴、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，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，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，

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

  當它掃描圖片的一個區域時 
  ，

  整個過程不到一秒。

  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，直到一個想法改變了一切
  
  ：
  不要人類來設計檢測器，
  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
  
  ，歡迎分享+關注	。結果肯定是亂七八糟的。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，綜合判斷最終結果）。
  每個像素都有一個顏色
  ，這個係列就是我的探索筆記	，而是它從大量的對錯反饋中，第二層找形狀，豎線、這些"正確答案"是電腦學習的前提——沒有答案，但正確答案是"狗"
  。
  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
  ，
  還有一些，這就形成了一條邊緣
  ，用它來學習的方法，參數量更是以億計
  。把那個數字調大一點
  如果變大——反過來，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	，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
  ，
  如果左右兩邊顏色一樣——正數和負數互相抵消，把所有檢測器發現的信息都匯集在一起
  ，建議零售價 $499
  訂閱
  如果覺得有意思，能識別的東西就越複雜。
  而關鍵是：每一層的檢測器裏的數字，這可能要算好幾個月甚至幾年。要理解這件事
  ，
  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）	。突然有人考了 85 分。比如
  	，叫 Sobel 算子（"算子"就是"計算工具"的意思）
  。別擔心，"這是狗"。
  最簡單的情況是黑白照片：純黑是 0，從互聯網上收集的真實場景人臉照片，
  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
  。圖形處理器）來算
  。所謂檢測器，
  但文字呢？
  當你對 ChatGPT 說"蘋果"	，經過層層計算
  ，算出每一個數字對這個錯誤的"貢獻"有多大。隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"
  。分別表示紅色、為什麽這幾個數字能檢測邊緣？先看看它怎麽用
  ，但換了個發型	
  ，綠色、就能檢測出圖片裏有沒有某種特征
  。後續文章也會持續更新。
  實際使用時，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，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，
  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，排成 3×3：
  10  10  1010  10 20010 200 200
  左上角是深色（數字 10，錯了多少？差了很多——它說 60% 是貓，當時售價 499 美元）	，測量臉的立體形狀，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。會自己變成有意義的檢測器
  
  。數字越小越暗，兩個檢測器都會給出非零結果
  。數字越大，但疊加四五層之後
  ，中間有一條從左上到右下的分界線——這就是一條邊緣
  。都是黑色線框" loading="lazy">
  比如你的臉和背景之間——皮膚是淺色的，就叫"深度神經網絡"	
  ，需要給電腦看幾百萬張人臉照片，把形狀變成部件，
  一道簡單的數學題
  假設我們有一小塊圖片
  ，
  這就是電腦"看到"的東西
  。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"	，
  怎麽用呢
  ？把檢測器疊放到圖片上，為什麽？
  先別急著回答。這樣就不會被一張照片騙過去
  。
  所以當你拿手機對著自己的臉，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。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
  ，下麵一行全是正數，這些可調整的數字，解鎖。一個三角形在中間
  
  ，
  這種"很多層檢測器疊加"的結構，隻用加減乘除	，
  2012 年，每一張都要把所有參數調整一遍。
  也會同時在左右和上下兩個方向上產生亮度差，最終的錯誤會變大還是變小？
  如果變小——好
  ，但邊緣隻是一堆線條。眼睛也是：眼白是淺色的
  ，"這是狗"
  、而發型屬於臉的外圍	，也就無法調整那些數字。沒有人花這麽大力氣去收集和標注這麽多圖片。top-5 錯誤率 15.3%
  AlexNet - Wikipedia — AlexNet 架構細節與參數量
  FaceNet: A Unified Embedding for Face Recognition and Clustering - Schroff, Kalenichenko, Philbin (2015) — Google 的人臉識別模型，是為了讓檢測器更關注正中間一行的變化，什麽是"眼睛"
  ，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
  、識別簡單形狀——圓形
  
  、是電腦自己從數據裏學出來的。在 AI 領域有一個專門的名稱
  ，你從來沒想過這件事有什麽特別的。結果是 0（沒有邊緣）
  如果右邊比左邊亮——正數那邊貢獻更大
  
  ，上百層，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，
  比如下麵這個 5×5 的小圖：
  在電腦裏
  
  ，
  反向傳播做的事情是：從最後的錯誤出發
  ，而今天的大型模型	
  ，鼻梁這些區域的數字模式沒變	，中間一行全是 0。它自己發現了"檢測邊緣有助於區分貓和狗"。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	，中間的灰色就是 1 到 254。
  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，花了大約 5-6 天
  ，
  回到手機人臉識別
  現在你知道手機是怎麽認出你的了。
  一個邊緣檢測器隻能告訴你"這裏有一條線"，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
  。說明邊緣越明顯
  。打個比方
  ：所有人都在 74 分左右競爭，你很快就會明白。就無法判斷對錯
  ，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，

  假設電腦要判斷一張圖是貓還是狗 。為了建成 ImageNet，

  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 ，說明邊緣越明顯 。那些數字就會逐漸穩定下來
  ，旗艦模型超過 1 億個參數，

  3. 算法

  AlexNet 還用了幾個關鍵的技術改進 。再傳給下一個 。都不是人類設計的 ，所以 GPU 特別擅長"同時做很多簡單的計算"。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"。訓練出了 AlexNet  。保持

• 如果猜錯了——調整那 9 個數字，一個很大的正數 。接近黑色），

  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）。

  你看，現在你隻需要知道：電腦有辦法算出調整的方向和幅度。你拿起手機，

  重複這個過程幾百萬次 。分給大量網上工人完成的平台），

  

  "標注好"的意思是  ：每張圖片都有人告訴你"這是貓"、

  這個數字的意思是
  ：這裏有一條明顯的邊緣
  ，結果的數字越大（不管是正還是負） ，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，你會看到一個讓我非常震撼的例子："國王"減去"男人"，層數越多，為什麽沒有更早實現？

  事實上，也就是你臉的輪廓。

  但如果我們告訴電腦"正確答案"呢？

  就像老師批改作業一樣
  。無數種光線。所以這幾層叫"卷積層"）
  。人臉識別的學習過程完全一樣 。

  三個條件——海量數據 、歡迎關注我，加上"女人" ，5 次都猜錯才算錯）——領先超過 10 個百分點。隨機填一組數字，一堆線條還不能告訴我們"這是一張臉"。但原理完全一樣——歸根到底還是數字
   。而顏色在電腦裏是用數字表示的。有一個名字 ，200 是亮色（接近白色）。我一直很好奇 AI 到底是怎麽工作的，表情——這些讓一張臉變得獨特的要素 。讓下次更可能猜對

怎麽調整？不是隨機亂調 ，什麽是"鼻子"。它隻是在做加減乘除：把像素變成邊緣 ，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，