這就是机人電腦"看"圖片的第一步：找到所有顏色突變的位置 。

一個現代的脸识人臉識別模型可能有幾百萬到上億個參數 。

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、别说就無法判斷對錯，到底曲線
• 第二層檢測器：把第一層找到的聪明从手邊緣組合起來 ，就是机人邊緣。圖形處理器）來算。脸识

  但如果讓電腦自己來選呢？别说

  假設我們不再指定這 9 個數字，

  

  每天早上 ，到底哪怕是聪明从手一條 45° 的斜線，

  

  • 如果左右兩邊顏色一樣——正數和負數互相抵消，机人沒有邊緣。脸识如果邊緣是别说水平的（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，分別表示紅色
    、"神經網絡"名稱的起源

  • ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，這些"正確答案"是電腦學習的前提——沒有答案
    ，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，本質上就是：右邊的亮度 - 左邊的亮度 
    。最終這個數據集包含了超過 1400 萬張標注好的圖片 ，背景可能是深色的，排成 3×3：

    10  10  1010  10 20010 200 200

    左上角是深色（數字 10 
    ，"這是狗"。逼網絡學到更通用的規律，

    所以當你拿手機對著自己的臉 ，表情——這些讓一張臉變得獨特的要素 。

    3. 算法

    AlexNet 還用了幾個關鍵的技術改進
    。這個檢測器會在整張圖片上一格一格地滑動，把部件變成一組代表你這張臉的數字 ，比如 Google 在 2015 年發表的 FaceNet  ，你拿起手機 ，

    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
    ，就能看到一個個小方塊，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）  ，所謂檢測器 ，把兩個結果綜合起來 ，自己找到了有用的規律 。是從幾百萬張人臉照片中"學"出來的。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，斜線、
    還有一些 ，涵蓋 2 萬多個類別
    。到達一個"很少出錯"的狀態。至今已經用了半個多世紀 。是因為上一層的某個檢測器輸出偏了

  • 那個檢測器偏了，

    電腦眼中的照片

    要理解手機怎麽"人臉識別" ，結果肯定是亂七八糟的 。不能告訴你"這是一隻眼睛"。看一眼屏幕，

    最簡單的情況是黑白照片：純黑是 0，層層加工"的計算結構
    。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 ，
    有的變成了顏色變化檢測器 。"這是汽車"。

    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） 
    。但永遠覆蓋不了真實世界的複雜性。每一張都要把所有參數調整一遍。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
    。就能檢測出圖片裏有沒有某種特征 。發現了很多有意思的東西，沒有人告訴電腦"要檢測眼睛"，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 ，但換了個發型，為了建成 ImageNet，這可能要算好幾個月甚至幾年 。層數越多，動輒幾十層、手機往往就不認識你了 。就要比較左右兩邊的亮度" ，層數很多的神經網絡 ，它有 8 層。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊 、直到一個想法改變了一切：

    不要人類來設計檢測器 ，幾千萬個參數反複做計算 。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 ，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，中間一列全是 0 。為什麽 ？

    先別急著回答。第二層找形狀，而今天的大型模型 ，5 次都猜錯才算錯）——領先超過 10 個百分點 。

    那些檢測器裏的數字，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"。純白是 255 ，

    

    GPU 原本是用來生成（渲染）遊戲畫麵的
    。

    怎麽用呢 ？把檢測器疊放到圖片上，

    整個網絡包含 6000 萬個可調整的數字 。一張 1000×1000 的照片，"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"
  、比如  ，從左到右顏色在變亮
   。

  三個條件——海量數據、訓練出了 AlexNet。檢測更複雜的東西 。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字 ，它"看到"的是什麽？不是一個水果的畫麵 ，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 ，

  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 ，

  這是 「AI是怎麽回事」係列的第 1篇 。

  讓我用一個簡化的例子來說明
  。解鎖 。取名 AlexNet（Alex 的網絡）
  。沒有人花這麽大力氣去收集和標注這麽多圖片。

  如果我們換一塊顏色完全相同、無數種角度
  、

  2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU
  ，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，AI 為什麽能通過律師考試卻會一本正經地撒謊。這個方法叫"反向傳播" ，即可訂閱。綜合判斷最終結果）。能識別的東西就越複雜。為什麽這幾個數字能檢測邊緣 ？先看看它怎麽用，加上"女人" ，而是它從大量的對錯反饋中，

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

  當它掃描圖片的一個區域時，眼睛也是：眼白是淺色的，你就找到了輪廓 、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，檢測器提取出來的數字指紋和你錄入時的差太遠了。這些小點叫像素——你把手機照片放大再放大，

  

  把邊緣變成形狀  ，把那個數字調小一點

每次調整的幅度都很小（比如 0.001） ，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、也會同時在左右和上下兩個方向上產生亮度差 ，發表於 Nature

差異越大 ，

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
 ，結果的數字越大（不管是正還是負） ，叫 Sobel 算子（"算子"就是"計算工具"的意思）。結果是正數（有一條從暗到亮的邊緣）

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

整個過程沒有任何"理解"。但原理完全一樣——歸根到底還是數字。算法改進——同時到位 ，它輸出"60% 可能是貓"，用普通電腦的 CPU（中央處理器
，右下角是淺色（數字 200 ，但核心識別原理——把采集到的數據變成數字 、什麽是"鼻子"
。

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
，突然有人考了 85 分
。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，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
，
2009 年
，
讓我用一個具體例子來演示。
解決方法是：疊加很多層。所以 GPU 特別擅長"同時做很多簡單的計算"。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，
每一層都是在上一層的基礎上，
這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文
，其餘全是 0（暗）。
這就是"訓練"。
但文字呢
？
當你對 ChatGPT 說"蘋果"，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	，
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，它通過層層檢測器從數字中提取特征。而是把它們變成"空的"——可以填入任何數值：
?  ?  ??  ?  ??  ?  ?
一開始，一層一層往回追溯，它隻是在做加減乘除：把像素變成邊緣
	，三角形、結果是 0（沒有邊緣）
如果右邊比左邊亮——正數那邊貢獻更大	，
一個新的問題
理解了 AI 怎麽"認人"之後
，一個三角形在中間	，
現在我用一個"檢測器"來掃描它。
給電腦看 1000 張貓的照片和 1000 張狗的照片，不是圖像，訓練這樣一個模型，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"、兩個檢測器都會給出非零結果。要理解這件事
，從互聯網上收集的真實場景人臉照片
，
疊加：從線條到人臉
但一層檢測器還不夠
。這些技術讓更深的網絡變得可訓練。說明邊緣越明顯
。200 是亮色（接近白色）
。GPU 算力	、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，
"標注好"的意思是：每張圖片都有人告訴你"這是貓"
、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，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，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，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，就是"深度學習"。我一直很好奇 AI 到底是怎麽工作的，這樣就不會被一張照片騙過去。它專門用來檢測垂直方向的邊緣
。數字大的地方，五官	、我們先用一個更簡單的任務來說明這個過程——區分貓和狗。
2. 算力
訓練一個模型，這些可調整的數字
，錯了多少
？差了很多——它說 60% 是貓
，都不是人類設計的	，豎線、讓電腦自己學	。別擔心
，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
。
這種"很多層檢測器疊加"的結構	，擅長一件一件地處理複雜任務），
整個過程不到一秒。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，
但如果我們告訴電腦"正確答案"呢？
就像老師批改作業一樣	。就 9 個像素	，
手機不知道什麽是眼睛
、
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
，右邊一列全是正數	，
不過你可能注意過一個奇怪的事
：在幾年前，每張都貼好標簽——"這是貓"、和正確答案對比
：
如果猜對了——不錯	，
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	。叫神經網絡。後續文章也會持續更新
	。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"，判斷"這是不是主人的臉"。
一道簡單的數學題
假設我們有一小塊圖片，
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，把形狀變成部件
，把那個數字調大一點
如果變大——反過來，對應位置相乘再相加（這個操作的專業名稱叫"卷積"，下麵一行全是正數
，完全不需要知道什麽是"臉"、他們第一次用數學來描述神經元的工作方式
。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"
。識別簡單形狀——圓形、8 層網絡，
仔細看這個檢測器的結構：左邊一列全是負數，才有了 2012 年的突破

。這個係列就是我的探索筆記
，旗艦模型超過 1 億個參數，所以這幾層叫"卷積層"）	。然後比較兩組數字有多接近。但疊加四五層之後
，而發型屬於臉的外圍
，它照樣能解鎖。所以還能匹配上
。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，一個管上下——就能找到圖片中任意方向的邊緣。但也很簡單——本質就是"比較左右兩邊的亮度差"。就能看到"臉"了。
2012 年，人臉識別的學習過程完全一樣。
一個人的臉可以有無數種表情

、中間的灰色就是 1 到 254。神經網絡的概念在 1940 年代就有了

，人類知道"要檢測垂直邊緣
，就是一組數字組成的小模板——把它疊到圖片上，都是黑色線框" loading="lazy">
比如你的臉和背景之間——皮膚是淺色的，接近黑色）
，保持
如果猜錯了——調整那 9 個數字，而是一堆數字。
這需要大量的計算
。用它來學習的方法	，電腦的"大腦"	，
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）。反向傳播算法在 1986 年就發表了
。下巴這些區域的麵部特征被口罩擋住了
，數字越小越暗，
實際使用時，最終的錯誤會變大還是變小
？
如果變小——好
，重複幾百萬次之後，
這就是電腦"看到"的東西
。歡迎關注我，然後全部加起來。所以選擇了這樣的數字組合。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，數字越大，什麽是"眼睛"，建議零售價 $499
訂閱
如果覺得有意思，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，中間一行全是 0。測量臉的立體形狀	，證明在特定任務上，處理一下
、隻用加減乘除，
有的變成了紋理檢測器。也就是你臉的輪廓。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。
你看，
那次突破有多震撼？在 ImageNet 圖像識別比賽中
，
這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起	
。是電腦自己從數據裏學出來的。
每個像素都有一個顏色，但邊緣隻是一堆線條
。就能得到每個位置的"邊緣強度"和"邊緣方向"
。說明邊緣越明顯
。會自己變成有意義的檢測器。"這是狗"、原理完全一樣，GPU 訓練神經網絡比 CPU 快約 70 倍。但正確答案是"狗"。想分享給你。
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
，但對所有數字同時做這種微調，當時售價 499 美元），
反向傳播做的事情是
：從最後的錯誤出發，鼻梁這些區域的數字模式沒變，找到了邊緣	，
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
，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。
神奇的事情發生了：那些原本隨機的數字
，貓臉
、在 AI 領域有一個專門的名稱，這也是邊緣。也就無法調整那些數字

。藍色的強度（也是 0 到 255）。
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，
它錯了。綠色	
、上百層
，你很快就會明白。
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。
回到手機人臉識別
現在你知道手機是怎麽認出你的了
。
至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大	，戴上口罩，之所以叫這個名字	，但換發型還能認出來？
因為口罩遮住了臉的下半部分——嘴巴、
這就是 AI 在"看"這件事上卡住了幾十年的地方。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
。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
。有一個名字，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


、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）、叫"參數"。接近白色）。隨機填一組數字	，瞳孔是深色的，而顏色在電腦裏是用數字表示的	。
在此之前，算出每一個數字對這個錯誤的"貢獻"有多大。叫做反向傳播——1986 年由 Rumelhart、變成了"這個位置有沒有邊緣"的數字

。
假設電腦要判斷一張圖是貓還是狗。
這就是 AI 的"聰明"
：不是真的理解，下麵有一條橫線，
電腦用隨機檢測器算出一個結果，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，為什麽沒有更早實現？
事實上
，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
、就能找到圖片裏顏色變化的地方	。對應位置的數字相乘，歡迎分享+關注
	。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，它不知道什麽是"臉"、
電腦沒有被告知"要檢測邊緣"
。
不過你可能發現了
，嘴巴（兩條曲線）
第四層檢測器：把部件組合成整體——人臉

、而不是死記每張圖的細節）	。是數字。你會看到一個讓我非常震撼的例子
："國王"減去"男人"，花了大約 5-6 天，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	，再傳給下一個。你從來沒想過這件事有什麽特別的	
。
這個設計很聰明，經過層層計算，第三層找五官部件
，需要給電腦看幾百萬張人臉照片，但應該是 0%
	。檢測器關注的主要是五官區域的特征——發型變了，
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。
這個困境持續了幾十年
，現在你隻需要知道：電腦有辦法算出調整的方向和幅度。
一個邊緣檢測器隻能告訴你"這裏有一條線"，它自己發現了"檢測邊緣有助於區分貓和狗"
。越大越亮。什麽是鼻子
。Graphics Processing Unit，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
，第一層隻能看到線條，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。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。
重複這個過程幾百萬次	。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你	。一個很大的正數。讓檢測結果更穩定。打個比方：所有人都在 74 分左右競爭
，6000 萬參數	，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集	。
比如下麵這個 5×5 的小圖
：
在電腦裏，參數量更是以億計。
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，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，動用了來自 167 個國家的近 5 萬名標注工人，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，就有 100 萬個像素。我後麵會專門講
。把所有檢測器發現的信息都匯集在一起，
而關鍵是：每一層的檢測器裏的數字	，但眼睛、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。
這個數字的意思是
：這裏有一條明顯的邊緣，那就是像素。
這就是"學習"的本質：不是有人教了它規則，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，
一堆數字
，從 1.6 億張候選圖片中篩選和標注	
。對每個位置都做一次這樣的計算
。讓下次更可能猜對
怎麽調整	
？不是隨機亂調
，