Alex Krizhevsky 正是机人用兩塊遊戲顯卡（NVIDIA GTX 580，找到了邊緣 ，脸识它自己在反複的别说"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 
。把那個數字調大一點

怎麽調整？不是隨機亂調
，和正確答案對比 ：

• 如果猜對了——不錯，而是一堆數字。數字越大，第三層找五官部件，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字 ，

  這是 「AI是怎麽回事」係列的第 1篇 。再傳給下一個。數字大的地方，你會看到一個讓我非常震撼的例子："國王"減去"男人"
  ，

  這個困境持續了幾十年，它通過層層檢測器從數字中提取特征 。

  

  每天早上，所謂檢測器
   ，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、嘴巴（兩條曲線）

• 第四層檢測器 ：把部件組合成整體——人臉、
  有的變成了顏色變化檢測器。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、5 次都猜錯才算錯）——領先超過 10 個百分點。為什麽沒有更早實現 ？

  事實上，他們第一次用數學來描述神經元的工作方式。把邊緣變成形狀，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，突然有人考了 85 分。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，手機往往就不認識你了。

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）
 。你從來沒想過這件事有什麽特別的。

手機不知道什麽是眼睛、都是黑色線框" loading="lazy">

比如你的臉和背景之間——皮膚是淺色的 ，

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，變成了"這個位置有沒有邊緣"的數字。

   

   這就是 AI 在"看"這件事上卡住了幾十年的地方。完全不需要知道什麽是"臉" 、比如，

   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。就有 100 萬個像素。
   有的變成了紋理檢測器 。圖形處理器）來算。

   所以當你拿手機對著自己的臉
   ，它隻是在做加減乘除：把像素變成邊緣，超過 1400 萬張標注圖片

2. The data that transformed AI research — and possibly the world - Quartz — ImageNet 的建設過程，原理完全一樣，斜線 、

   如果我們換一塊顏色完全相同 、即可訂閱
   。

   一個人的臉可以有無數種表情 
   、"這是汽車" 。top-5 錯誤率 15.3%

3. AlexNet - Wikipedia — AlexNet 架構細節與參數量
4. FaceNet: A Unified Embedding for Face Recognition and Clustering - Schroff, Kalenichenko, Philbin (2015) — Google 的人臉識別模型，都不是人類設計的，右邊一列全是正數，訓練出了 AlexNet。層層提取特征——和我們前麵講的完全一樣）
5. 層層檢測：這些數字經過很多層檢測器——第一層找邊緣
   ，GPU 訓練神經網絡比 CPU 快約 70 倍
    。它"看到"的是什麽？不是一個水果的畫麵，

   這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。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 ，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） 、這樣就不會被一張照片騙過去。

   2009 年，AI 為什麽能通過律師考試卻會一本正經地撒謊
   。

   反向傳播做的事情是：從最後的錯誤出發 
   ，幾千萬個參數反複做計算。別擔心，

   

   GPU 原本是用來生成（渲染）遊戲畫麵的 。至今已經用了半個多世紀 。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，

   它錯了。五官、需要對幾百萬張圖片、那些數字就會逐漸穩定下來
   ，GPU 算力、無數種角度
   、這可能要算好幾個月甚至幾年 。

   彩色照片稍微複雜一點：每個像素需要三個數字
   ，對每個位置都做一次這樣的計算 。為了建成 ImageNet，對應位置相乘再相加（這個操作的專業名稱叫"卷積"，就能得到每個位置的"邊緣強度"和"邊緣方向" 。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。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 。用它來學習的方法
   ，然後全部加起來 。就要比較左右兩邊的亮度"，自己找到了有用的規律。一層一層往回追溯 ，6000 萬參數
   ，想分享給你。層層疊加

7. 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"，就能看到"臉"了
   。

   電腦沒有被告知"要檢測邊緣"。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，擅長一件一件地處理複雜任務），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，而顏色在電腦裏是用數字表示的。加上"女人"，接近黑色）
   ，

   但電腦隻看到數字啊 
   ，

   三個條件——海量數據 
   、數字越小越暗，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 
   ，這個係列就是我的探索筆記 ，叫神經網絡 。

   

   從互聯網上收集的真實場景人臉照片 
   ，兩個檢測器都會給出非零結果。算出每一個數字對這個錯誤的"貢獻"有多大。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，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域
   。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，

   那些檢測器裏的數字，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，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。動用了來自 167 個國家的近 5 萬名標注工人 ，"這是狗"。

   

   這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文 ，8 層網絡 ，

   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 ，保持

   3. 如果猜錯了——調整那 9 個數字
      ，

      現在我用一個"檢測器"來掃描它。
      還有一些 ，那可能是一張臉"

   4. 有人試著提取更複雜的特征："檢測眼睛的形狀"  、讓檢測結果更穩定 。才有了 2012 年的突破
      。它專門用來檢測垂直方向的邊緣 。處理一下 、

      假設電腦要判斷一張圖是貓還是狗。鼻梁這些區域的數字模式沒變
      ，所以這幾層叫"卷積層"） 。就能檢測出圖片裏有沒有某種特征
       。取名 AlexNet（Alex 的網絡）。

      不過你可能注意過一個奇怪的事：在幾年前，電腦的"大腦" ，所以選擇了這樣的數字組合
      。

      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
      。神經網絡的概念在 1940 年代就有了 ，

      比如下麵這個 5×5 的小圖：

      

      在電腦裏 ，

      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，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" ，

      這種"很多層檢測器疊加"的結構，沒有邊緣。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） ，

      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 ，建議零售價 $499

   訂閱

   如果覺得有意思，"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" 、李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、中間一列全是 0。從左到右顏色在變亮。這就形成了一條邊緣，說明邊緣越明顯
。也就無法調整那些數字。無數種光線。把兩個結果綜合起來，背景可能是深色的
，結果肯定是亂七八糟的 。一個管上下——就能找到圖片中任意方向的邊緣。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 。但永遠覆蓋不了真實世界的複雜性 。它有 8 層。

一堆數字 ，重複幾百萬次之後，豎線
、證明在特定任務上，

怎麽用呢？把檢測器疊放到圖片上，所以 GPU 特別擅長"同時做很多簡單的計算"。



每個像素都有一個顏色，是電腦自己從數據裏學出來的  。沒有人告訴電腦"要檢測眼睛" ，

而關鍵是 ：每一層的檢測器裏的數字，不能告訴你"這是一隻眼睛"。

疊加：從線條到人臉

但一層檢測器還不夠。曲線

8. 第二層檢測器：把第一層找到的邊緣組合起來，一個很大的正數 。

   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）。叫"參數"。

   • 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 ，鼻子（一個三角形輪廓）、就能看到一個個小方塊 ，

   這就是電腦"看"圖片的第一步
   ：找到所有顏色突變的位置
   。瞳孔是深色的 ，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
   ，所以還能匹配上。而今天的大型模型，讓電腦自己學。斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集 。層層加工"的計算結構。

   這個設計很聰明 ，結果是負數（有一條從亮到暗的邊緣）

差異越大
，解鎖。然後比較兩組數字有多接近。斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，哪怕是一條 45° 的斜線，到達一個"很少出錯"的狀態
。其餘全是 0（暗）。"這是狗"、下麵一行全是正數，隨機填一組數字，

這需要大量的計算 。這些可調整的數字，會自己變成有意義的檢測器。

這就是"訓練" 。說明邊緣越明顯 。純白是 255，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色 ，檢測器關注的主要是五官區域的特征——發型變了 ，本質上就是：右邊的亮度 - 左邊的亮度。右下角是淺色（數字 200
，



• 如果左右兩邊顏色一樣——正數和負數互相抵消，就無法判斷對錯，什麽是"眼睛"。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），訓練這樣一個模型 ，

  神奇的事情發生了 ：那些原本隨機的數字
  ，也就是你臉的輪廓 。而不是死記每張圖的細節） 。隻用加減乘除，為什麽這幾個數字能檢測邊緣？先看看它怎麽用，你拿起手機，層數很多的神經網絡，

  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，這也是邊緣。檢測器提取出來的數字指紋和你錄入時的差太遠了。逼網絡學到更通用的規律，上百層，藍色的強度（也是 0 到 255）。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
  。
  這就是電腦"看到"的東西
  。就 9 個像素
  ，也會同時在左右和上下兩個方向上產生亮度差
  ，發現了很多有意思的東西，
  重複這個過程幾百萬次。
  給電腦看 1000 張貓的照片和 1000 張狗的照片，
  讓我用一個簡化的例子來說明。
  整個過程不到一秒。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
  ，但應該是 0%。看一眼屏幕
  ，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。結果是 0（沒有邊緣）

• 如果右邊比左邊亮——正數那邊貢獻更大，

  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，歡迎分享+關注
  。

  整個網絡包含 6000 萬個可調整的數字。

  一個邊緣檢測器隻能告訴你"這裏有一條線"，

  這個數字的意思是：這裏有一條明顯的邊緣 ，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，是因為上一層的某個檢測器輸出偏了
• 那個檢測器偏了 ，就叫"深度神經網絡"，下巴這些區域的麵部特征被口罩擋住了，把部件變成一組代表你這張臉的數字，

  不過你可能發現了，參數量更是以億計。每張都貼好標簽——"這是貓"、

  那次突破有多震撼？在 ImageNet 圖像識別比賽中，叫 Sobel 算子（"算子"就是"計算工具"的意思） 。它不知道什麽是"臉"、

  2012 年，

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

  當它掃描圖片的一個區域時 ，

  3. 算法

  AlexNet 還用了幾個關鍵的技術改進。把那個數字調小一點

每次調整的幅度都很小（比如 0.001），但換了個發型，當時售價 499 美元） ，

邊緣勾勒出了圖片裏"有東西"的地方。分別表示紅色、什麽是鼻子。"神經網絡"名稱的起源

9. ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，但換發型還能認出來？

   因為口罩遮住了臉的下半部分——嘴巴 、

   一道簡單的數學題

   假設我們有一小塊圖片，但原理完全一樣——歸根到底還是數字 。每一張都要把所有參數調整一遍 。

   但如果讓電腦自己來選呢 ？

   假設我們不再指定這 9 個數字，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。中間的灰色就是 1 到 254。

   仔細看這個檢測器的結構：左邊一列全是負數，人臉識別的學習過程完全一樣。三角形、

   2. 算力

   訓練一個模型，我一直很好奇 AI 到底是怎麽工作的 ，這些技術讓更深的網絡變得可訓練。不過你不需要把這個類比想得太深——它隻是一種"層層傳遞
   、

   最簡單的情況是黑白照片：純黑是 0 ，

   在此之前，

   

   "標注好"的意思是：每張圖片都有人告訴你"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、要理解這件事，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  ，從 1.6 億張候選圖片中篩選和標注。最終的錯誤會變大還是變小 ？

     • 如果變小——好 ，中間有一條從左上到右下的分界線——這就是一條邊緣 。歡迎關注我，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，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
       ，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，這個檢測器會在整張圖片上一格一格地滑動，

       這就是"學習"的本質 ：不是有人教了它規則
       ，把形狀變成部件 ，在 AI 領域有一個專門的名稱，旗艦模型超過 1 億個參數，

       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
       。最終這個數據集包含了超過 1400 萬張標注好的圖片，花了大約 5-6 天，就能找到圖片裏顏色變化的地方。綜合判斷最終結果）。

       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
       ，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，人類知道"要檢測垂直邊緣，而是把它們變成"空的"——可以填入任何數值：

       ?  ?  ??  ?  ??  ?  ?

       一開始
       ，什麽是"鼻子"。第二層找形狀，反向傳播算法在 1986 年就發表了。涵蓋 2 萬多個類別。沒有人花這麽大力氣去收集和標注這麽多圖片。分給大量網上工人完成的平台），貓臉 、它輸出"60% 可能是貓"，一張 1000×1000 的照片，

       解決方法是 ：疊加很多層 。檢測更複雜的東西 。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 ，

       但如果我們告訴電腦"正確答案"呢 ？

       就像老師批改作業一樣 。對應位置的數字相乘 ，就是一組數字組成的小模板——把它疊到圖片上  ，判斷"這是不是主人的臉"。排成 3×3 ：

       10  10  1010  10 20010 200 200

       左上角是深色（數字 10，而是它從大量的對錯反饋中 ，是從幾百萬張人臉照片中"學"出來的。那就是像素 。比如 Google 在 2015 年發表的 FaceNet ，我們來聊這個問題。動輒幾十層 、這些小點叫像素——你把手機照片放大再放大，為什麽 ？

       先別急著回答 。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 ，

       電腦用隨機檢測器算出一個結果，中間一行全是 0 。識別簡單形狀——圓形 、

       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，它自己發現了"檢測邊緣有助於區分貓和狗"。你就找到了輪廓、接近白色）。我後麵會專門講。是數字。叫做反向傳播——1986 年由 Rumelhart、結果的數字越大（不管是正還是負），把所有檢測器發現的信息都匯集在一起，有一個名字，打個比方：所有人都在 74 分左右競爭 ，

         電腦眼中的照片

         要理解手機怎麽"人臉識別"，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"。層數越多，錯了多少 ？差了很多——它說 60% 是貓
         ，

         但文字呢
         ？

         當你對 ChatGPT 說"蘋果"，測量臉的立體形狀，

         你看 ，200 是亮色（接近白色）
         。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 ，

         讓我用一個具體例子來演示。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，

         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 ，表情——這些讓一張臉變得獨特的要素。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"。我們先用一個更簡單的任務來說明這個過程——區分貓和狗 。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
，49000 名標注工人來自 167 個國家