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
，聪明从手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
。
有的脸识變成了邊緣檢測器（類似 Sobel 算子——電腦自己"發明"了類似的東西）。
電腦用隨機檢測器算出一個結果，别说兩個檢測器都會給出非零結果。到底你能看出來這是聪明从手一個十字形嗎
？——中間一橫一豎的數字是 200（亮）
，
有的机人變成了顏色變化檢測器。右下角是脸识淺色（數字 200，是别说從幾百萬張人臉照片中"學"出來的
。什麽是到底"眼睛"。讓檢測結果更穩定
。聪明从手
這就是机人 AI 在"看"這件事上卡住了幾十年的地方
。需要對幾百萬張圖片、脸识是别说為了讓檢測器更關注正中間一行的變化
	，層數很多的神經網絡
，"這是汽車"
。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，
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，用普通電腦的 CPU（中央處理器，看一眼屏幕
	
，結果是負數（有一條從亮到暗的邊緣）
差異越大
	
，五官	
、就能找到圖片裏顏色變化的地方。
比如下麵這個 5×5 的小圖
	
：
在電腦裏
，檢測器關注的主要是五官區域的特征——發型變了，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"	、但應該是 0%
。
-1  0  1-2  0  2-1  0  1
當它掃描圖片的一個區域時，
讓我用一個簡化的例子來說明。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
，"這是狗"
。鼻子（一個三角形輪廓）、這些可調整的數字
，
這就是電腦"看"圖片的第一步：找到所有顏色突變的位置。為什麽這幾個數字能檢測邊緣？先看看它怎麽用，
邊緣勾勒出了圖片裏"有東西"的地方。但眼睛、斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。它隻是在做加減乘除：把像素變成邊緣

，什麽是"鼻子"。
2012 年，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
。
那些檢測器裏的數字，
這個設計很聰明
，
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，我們來聊這個問題。
但電腦隻看到數字啊，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"。所以還能匹配上	。結果是 0（沒有邊緣）
如果右邊比左邊亮——正數那邊貢獻更大，5 次都猜錯才算錯）——領先超過 10 個百分點。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，人類知道"要檢測垂直邊緣	
，
現在我用一個"檢測器"來掃描它
。一個很大的正數。沒有人告訴電腦"要檢測眼睛"
，歡迎分享+關注。原理完全一樣	，哪怕是一條 45° 的斜線，然後比較兩組數字有多接近。
給電腦看 1000 張貓的照片和 1000 張狗的照片，處理一下
、它照樣能解鎖。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，
在此之前，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。手機往往就不認識你了
	。就是邊緣。不過你不需要把這個類比想得太深——它隻是一種"層層傳遞
、這個係列就是我的探索筆記，現在你隻需要知道	：電腦有辦法算出調整的方向和幅度

。越大越亮。電腦的"大腦"	

，逼網絡學到更通用的規律，結果的數字越大（不管是正還是負），能識別的東西就越複雜。沒有邊緣。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，找到了邊緣，神經網絡的概念在 1940 年代就有了
，
不過你可能注意過一個奇怪的事：在幾年前
，證明在特定任務上，動輒幾十層、叫神經網絡。這個方法叫"反向傳播"
，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。分給大量網上工人完成的平台）
，隨機填一組數字，一堆線條還不能告訴我們"這是一張臉"。
這個數字的意思是	：這裏有一條明顯的邊緣	，
實際使用時，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
，突然有人考了 85 分。這個檢測器會在整張圖片上一格一格地滑動

，這也是邊緣	。
每個像素都有一個顏色
，它專門用來檢測垂直方向的邊緣。就叫"深度神經網絡"，是因為上一層的某個檢測器輸出偏了
那個檢測器偏了
，把邊緣變成形狀，自己找到了有用的規律
。
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，就能看到一個個小方塊，訓練這樣一個模型	，為什麽沒有更早實現？
事實上
，眼睛也是：眼白是淺色的，
解決方法是：疊加很多層。
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，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
，說明邊緣越明顯。一個管上下——就能找到圖片中任意方向的邊緣
。測量臉的立體形狀
	
，
GPU 原本是用來生成（渲染）遊戲畫麵的	。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
，但邊緣隻是一堆線條。
這就是"訓練"。
如果我們換一塊顏色完全相同
、這可能要算好幾個月甚至幾年。數字越小越暗
，你就找到了輪廓	
、我們先用一個更簡單的任務來說明這個過程——區分貓和狗。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。比如 Google 在 2015 年發表的 FaceNet
，就是一組數字組成的小模板——把它疊到圖片上，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
，斜線、
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）
。建議零售價 $499
訂閱
如果覺得有意思
，就要比較左右兩邊的亮度"，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，
電腦眼中的照片
要理解手機怎麽"人臉識別"，會自己變成有意義的檢測器。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
，曲線
第二層檢測器
：把第一層找到的邊緣組合起來，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，
一堆數字，下巴這些區域的麵部特征被口罩擋住了，
讓我用一個具體例子來演示。豎線、
這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，但永遠覆蓋不了真實世界的複雜性

。就能檢測出圖片裏有沒有某種特征
。至今已經用了半個多世紀。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"
，
所以當你拿手機對著自己的臉，
這需要大量的計算。它輸出"60% 可能是貓"，叫 Sobel 算子（"算子"就是"計算工具"的意思）。也就是你臉的輪廓
。比如

，"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"、到達一個"很少出錯"的狀態。
它錯了。中間的灰色就是 1 到 254
	。別擔心，什麽是"眼睛"

，從 1.6 億張候選圖片中篩選和標注。從左到右顏色在變亮。
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，涵蓋 2 萬多個類別
。也就無法調整那些數字。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，
這就是"學習"的本質：不是有人教了它規則，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	，
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
，動用了來自 167 個國家的近 5 萬名標注工人，而今天的大型模型
，加上"女人"，把那個數字調小一點
每次調整的幅度都很小（比如 0.001）
，而是它從大量的對錯反饋中，檢測更複雜的東西

。識別簡單形狀——圓形	

、讓電腦自己學。上百層
，這樣就不會被一張照片騙過去
。隻用加減乘除	，訓練出了 AlexNet。第二層找形狀
，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，
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。
一個人的臉可以有無數種表情、綠色、它不知道什麽是"臉"、
彩色照片稍微複雜一點：每個像素需要三個數字	，
神奇的事情發生了：那些原本隨機的數字	，而是把它們變成"空的"——可以填入任何數值
：
?  ?  ??  ?  ??  ?  ?
一開始
，
一個新的問題
理解了 AI 怎麽"認人"之後
，
回到手機人臉識別
現在你知道手機是怎麽認出你的了。
那次突破有多震撼？在 ImageNet 圖像識別比賽中	
，
但如果我們告訴電腦"正確答案"呢	？
就像老師批改作業一樣	。取名 AlexNet（Alex 的網絡）。中間有一條從左上到右下的分界線——這就是一條邊緣。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
，
反向傳播做的事情是
：從最後的錯誤出發，但原理完全一樣——歸根到底還是數字。GPU 訓練神經網絡比 CPU 快約 70 倍
。算法改進——同時到位	，
你看
，這些技術讓更深的網絡變得可訓練
。
但文字呢？
當你對 ChatGPT 說"蘋果"，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
，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。
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
，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
	，
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，AI 為什麽能通過律師考試卻會一本正經地撒謊。
整個過程不到一秒。經過層層計算，
2. 算力
訓練一個模型，判斷"這是不是主人的臉"
。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	，
2009 年
，參數量更是以億計。綜合判斷最終結果）
。要理解這件事	，
而關鍵是：每一層的檢測器裏的數字
，你很快就會明白。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"	，
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
、每一張都要把所有參數調整一遍
。貓臉、
這種"很多層檢測器疊加"的結構，所以這幾層叫"卷積層"）。是數字
。再傳給下一個。一個三角形在中間，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，
但如果讓電腦自己來選呢？
假設我們不再指定這 9 個數字，你會看到一個讓我非常震撼的例子："國王"減去"男人"，鼻梁這些區域的數字模式沒變，
三個條件——海量數據、你從來沒想過這件事有什麽特別的
。這些小點叫像素——你把手機照片放大再放大，算出每一個數字對這個錯誤的"貢獻"有多大
。為了建成 ImageNet，結果肯定是亂七八糟的。即可訂閱	。覺得不錯的話
，
重複這個過程幾百萬次。幾千萬個參數反複做計算。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，
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	，沒有人花這麽大力氣去收集和標注這麽多圖片。但換發型還能認出來？
因為口罩遮住了臉的下半部分——嘴巴、讓下次更可能猜對
怎麽調整？不是隨機亂調	，
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，叫做反向傳播——1986 年由 Rumelhart、下麵一行全是正數

，從互聯網上收集的真實場景人臉照片，都不是人類設計的，就 9 個像素，一張 1000×1000 的照片
，反向傳播算法在 1986 年就發表了。保持
如果猜錯了——調整那 9 個數字，
"標注好"的意思是：每張圖片都有人告訴你"這是貓"、打個比方：所有人都在 74 分左右競爭	，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊	、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、對應位置相乘再相加（這個操作的專業名稱叫"卷積"，
一個邊緣檢測器隻能告訴你"這裏有一條線"，把兩個結果綜合起來	
，8 層網絡，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文	，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，用它來學習的方法，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，所以 GPU 特別擅長"同時做很多簡單的計算"。
整個網絡包含 6000 萬個可調整的數字。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
，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，擅長一件一件地處理複雜任務）
，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，重複幾百萬次之後	，
有的變成了紋理檢測器。把那個數字調大一點
如果變大——反過來，
疊加：從線條到人臉
但一層檢測器還不夠。隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"
。右邊一列全是正數，想分享給你
。而不是死記每張圖的細節）。嘴巴（兩條曲線）
第四層檢測器：把部件組合成整體——人臉、本質上就是：右邊的亮度 - 左邊的亮度
。
每天早上
，圖形處理器）來算。他們第一次用數學來描述神經元的工作方式。層層加工"的計算結構。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，和正確答案對比	：
如果猜對了——不錯，接近黑色）	，這些"正確答案"是電腦學習的前提——沒有答案，其餘全是 0（暗）	。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，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字
，後續文章也會持續更新。在 AI 領域有一個專門的名稱
，說明邊緣越明顯。然後全部加起來
。那些數字就會逐漸穩定下來，它自己發現了"檢測邊緣有助於區分貓和狗"
。
手機不知道什麽是眼睛	、但對所有數字同時做這種微調，
一道簡單的數學題
假設我們有一小塊圖片，
這個困境持續了幾十年，為什麽
？
先別急著回答
。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率
。對應位置的數字相乘	，
怎麽用呢	？把檢測器疊放到圖片上	，檢測器提取出來的數字指紋和你錄入時的差太遠了
。
2012 年的突破用了一個聰明的辦法	：用遊戲顯卡（GPU，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
、
這是 「AI是怎麽回事」係列的第 1篇。而顏色在電腦裏是用數字表示的
。無數種角度、什麽是鼻子
。
這就是 AI 的"聰明"：不是真的理解，中間一行全是 0	。就無法判斷對錯，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，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，完全不需要知道什麽是"臉"、LFW 準確率 99.63%

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

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