像素 → 邊緣 → 形狀 → 部件 → 整體

每一層都是机人在上一層的基礎上，想分享給你 。脸识反向傳播算法在 1986 年就發表了 。别说

解決方法是到底：疊加很多層  。才有了 2012 年的聪明从手突破
。不是机人圖像，就能得到每個位置的脸识"邊緣強度"和"邊緣方向"。把所有檢測器發現的别说信息都匯集在一起，

不過你可能注意過一個奇怪的到底事 
：在幾年前 ，人類知道"要檢測垂直邊緣，聪明从手

這是机人 「AI是怎麽回事」係列的第 1篇。把兩個結果綜合起來
，脸识

有的别说變成了邊緣檢測器（類似 Sobel 算子——電腦自己"發明"了類似的東西）。

一個人的臉可以有無數種表情、為了建成 ImageNet，

這就是電腦"看"圖片的第一步
：找到所有顏色突變的位置。但換發型還能認出來？

因為口罩遮住了臉的下半部分——嘴巴、幾千萬個參數反複做計算。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
 、之所以叫這個名字 ，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 ，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。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 。下巴這些區域的麵部特征被口罩擋住了，加上"女人"  ，8 層網絡，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。為什麽沒有更早實現？

事實上，

最簡單的情況是黑白照片：純黑是 0，訓練這樣一個模型，動輒幾十層、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，五官
、

GPU 原本是用來生成（渲染）遊戲畫麵的
。

一個新的問題

理解了 AI 怎麽"認人"之後，但永遠覆蓋不了真實世界的複雜性。分給大量網上工人完成的平台），

• 如果左右兩邊顏色一樣——正數和負數互相抵消 ，排成 3×3 
  ：

  10  10  1010  10 20010 200 200

  左上角是深色（數字 10，最終的錯誤會變大還是變小？

  • 如果變小——好 ，中間的灰色就是 1 到 254。層數很多的神經網絡 ，

    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 ，它輸出"60% 可能是貓"，讓檢測結果更穩定
    。什麽是"鼻子" 。會自己變成有意義的檢測器。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"
  。不過你不需要把這個類比想得太深——它隻是一種"層層傳遞
  、花了大約 5-6 天，檢測器關注的主要是五官區域的特征——發型變了，

  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 ，第三層找五官部件 ，純白是 255，6000 萬參數
    ，一堆線條還不能告訴我們"這是一張臉"
    。哪怕是一條 45° 的斜線，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，就是一組數字組成的小模板——把它疊到圖片上，解鎖 。它自己發現了"檢測邊緣有助於區分貓和狗" 。叫 Sobel 算子（"算子"就是"計算工具"的意思）
    。貓臉
    、結果是 0（沒有邊緣）
  • 如果右邊比左邊亮——正數那邊貢獻更大，說明邊緣越明顯 。

    但如果讓電腦自己來選呢？

    假設我們不再指定這 9 個數字 ，看一眼屏幕，電腦的"大腦"，

    

    每個像素都有一個顏色 ，那些數字就會逐漸穩定下來 ，所以這幾層叫"卷積層"）。覺得不錯的話 ，

    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 、5 次都猜錯才算錯）——領先超過 10 個百分點 。就 9 個像素，接近白色）。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，"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"、AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。所以 GPU 特別擅長"同時做很多簡單的計算" 。

    不過你可能發現了，就是"深度學習"。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 ，說明邊緣越明顯。

    它錯了。一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），用它來學習的方法 ，叫神經網絡。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，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。兩個檢測器都會給出非零結果
    。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 。讓下次更可能猜對

  怎麽調整？不是隨機亂調 ，其餘全是 0（暗） 。這個方法叫"反向傳播" ，沒有人花這麽大力氣去收集和標注這麽多圖片。

  彩色照片稍微複雜一點
   ：每個像素需要三個數字，中間有一條從左上到右下的分界線——這就是一條邊緣 。一層一層往回追溯，把部件變成一組代表你這張臉的數字，

  這就是"訓練"。結果是負數（有一條從亮到暗的邊緣）

  差異越大 ，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、

  怎麽用呢？把檢測器疊放到圖片上，這些小點叫像素——你把手機照片放大再放大，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，什麽是"眼睛" 。他們第一次用數學來描述神經元的工作方式
  。分別表示紅色 、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、從左到右顏色在變亮 。

  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。

  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 ，

    整個網絡包含 6000 萬個可調整的數字 。右邊一列全是正數 ，叫"參數"。都是黑色線框" loading="lazy">

    比如你的臉和背景之間——皮膚是淺色的，它不知道什麽是"臉" 、發現了很多有意思的東西，GPU 訓練神經網絡比 CPU 快約 70 倍
    。結果的數字越大（不管是正還是負） ，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，一張 1000×1000 的照片，這些"正確答案"是電腦學習的前提——沒有答案，而今天的大型模型 ，是數字。而是一堆數字。是為了讓檢測器更關注正中間一行的變化，把那個數字調大一點
  • 如果變大——反過來，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
    ，結果肯定是亂七八糟的。對應位置的數字相乘，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，神經網絡的概念在 1940 年代就有了，戴上口罩
    ，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 ，它"看到"的是什麽 ？不是一個水果的畫麵 
       ，

       2012 年，

       電腦眼中的照片

       要理解手機怎麽"人臉識別" ，它專門用來檢測垂直方向的邊緣。

       重複這個過程幾百萬次
       。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，

       • 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，所以選擇了這樣的數字組合 。錯了多少？差了很多——它說 60% 是貓，ChatGPT 回答你的那三秒鍾裏究竟在算什麽  ，

       至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大 ，

       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。歡迎關注我 ，

       電腦沒有被告知"要檢測邊緣"。Graphics Processing Unit
        ，本質上就是：右邊的亮度 - 左邊的亮度 。

       這就是"學習"的本質 ：不是有人教了它規則，但也很簡單——本質就是"比較左右兩邊的亮度差"。用普通電腦的 CPU（中央處理器，

       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，但原理完全一樣——歸根到底還是數字 。背景可能是深色的，弧線
       2. 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）、

          那次突破有多震撼？在 ImageNet 圖像識別比賽中，讓電腦自己學 。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，

          

          "標注好"的意思是 ：每張圖片都有人告訴你"這是貓"、也就無法調整那些數字。取名 AlexNet（Alex 的網絡）。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。它有 8 層。而是把它們變成"空的"——可以填入任何數值：

          ?  ?  ??  ?  ??  ?  ?

          一開始，右下角是淺色（數字 200，

          一道簡單的數學題

          假設我們有一小塊圖片，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 ，變成了"這個位置有沒有邊緣"的數字 。歡迎分享+關注。

          手機不知道什麽是眼睛 、

          2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU，一個三角形在中間 ，完全不需要知道什麽是"臉"、是因為上一層的某個檢測器輸出偏了

       3. 那個檢測器偏了 ，數字越大，

          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，

          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。每張都貼好標簽——"這是貓"
           、建議零售價 $499

       訂閱

       如果覺得有意思 ，"這是狗"、眼睛也是：眼白是淺色的，鼻梁這些區域的數字模式沒變 ，

       現在我用一個"檢測器"來掃描它 。下麵一行全是正數 ，也會同時在左右和上下兩個方向上產生亮度差
       ，這些技術讓更深的網絡變得可訓練。

       比如下麵這個 5×5 的小圖：

       

       在電腦裏，

       這就是 AI 的"聰明"：不是真的理解，

       實際使用時，第一層隻能看到線條，找到了邊緣 ，200 是亮色（接近白色）。把形狀變成部件，
       有的變成了紋理檢測器。處理一下、逼網絡學到更通用的規律 ，

       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，但疊加四五層之後，這也是邊緣。

       那些檢測器裏的數字 ，經過層層計算 ，然後全部加起來。涵蓋 2 萬多個類別。別擔心
       ，對每個位置都做一次這樣的計算。GPU 算力、層層疊加

    3. 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" ，

       2009 年 ，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 ，

       這就是電腦"看到"的東西。當時售價 499 美元）
       ，

       邊緣勾勒出了圖片裏"有東西"的地方
       。沒有人告訴電腦"要檢測眼睛"，它通過層層檢測器從數字中提取特征。你從來沒想過這件事有什麽特別的 。

       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，
       有的變成了顏色變化檢測器 。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，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、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"。

       仔細看這個檢測器的結構：左邊一列全是負數，叫做反向傳播——1986 年由 Rumelhart 、對應位置相乘再相加（這個操作的專業名稱叫"卷積"，

       整個過程不到一秒。三角形 、

       在此之前，再傳給下一個。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，

       這需要大量的計算。

       3. 算法

       AlexNet 還用了幾個關鍵的技術改進 。現在你隻需要知道 ：電腦有辦法算出調整的方向和幅度。

       讓我用一個簡化的例子來說明  。一個很大的正數 。接近黑色），就叫"深度神經網絡" ，就能看到一個個小方塊，圖形處理器）來算。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，我們來聊這個問題 。能識別的東西就越複雜。都不是人類設計的 ，然後比較兩組數字有多接近 。

       2. 算力

       訓練一個模型 ，而不是死記每張圖的細節） 。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） ，是從幾百萬張人臉照片中"學"出來的
        。檢測器提取出來的數字指紋和你錄入時的差太遠了。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 ，隻是方向變了
        ：它比較的是"下麵的亮度 - 上麵的亮度"。

       而關鍵是：每一層的檢測器裏的數字，所謂檢測器，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。

       電腦用隨機檢測器算出一個結果，至今已經用了半個多世紀。層層加工"的計算結構。你會看到一個讓我非常震撼的例子 ："國王"減去"男人"，

       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 。

       這個設計很聰明
       ，這可能要算好幾個月甚至幾年。

       一堆數字，

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

       當它掃描圖片的一個區域時 ，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 ，上百層 ，

       一個邊緣檢測器隻能告訴你"這裏有一條線" ，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 ，中間一行全是 0。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 ，為什麽？

       先別急著回答 。數字大的地方，即可訂閱
       。

       這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。這就形成了一條邊緣 ，就要比較左右兩邊的亮度"
       ，但對所有數字同時做這種微調，動用了來自 167 個國家的近 5 萬名標注工人
       ，發表於 Nature

    4. ImageNet: A Large-Scale Hierarchical Image Database - Deng, Dong, Socher, Li, Li, Fei-Fei (2009) — ImageNet 數據集論文，結果是正數（有一條從暗到亮的邊緣）
    5. 如果左邊比右邊亮——負數那邊貢獻更大 ，把那個數字調小一點

  每次調整的幅度都很小（比如 0.001），藍色的強度（也是 0 到 255）。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，

  這種"很多層檢測器疊加"的結構，

  你看，

  這個困境持續了幾十年 ，那就是像素。我一直很好奇 AI 到底是怎麽工作的，檢測更複雜的東西。需要對幾百萬張圖片、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
  。"這是狗"。打個比方：所有人都在 74 分左右競爭 ，後續文章也會持續更新。什麽是鼻子。但換了個發型 ，

  反向傳播做的事情是
  ：從最後的錯誤出發，嘴巴（兩條曲線）

• 第四層檢測器
   ：把部件組合成整體——人臉 、

  一個現代的人臉識別模型可能有幾百萬到上億個參數 。

  這個數字的意思是：這裏有一條明顯的邊緣 ，自己找到了有用的規律 。從 1.6 億張候選圖片中篩選和標注。識別簡單形狀——圓形 、突然有人考了 85 分。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，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，

  如果我們換一塊顏色完全相同 、它照樣能解鎖。需要給電腦看幾百萬張人臉照片 ，瞳孔是深色的
  ，

  但文字呢？

  當你對 ChatGPT 說"蘋果"，

  但電腦隻看到數字啊，下麵有一條橫線 ，直到一個想法改變了一切：

  不要人類來設計檢測器 ，鼻子（一個三角形輪廓）、曲線

• 第二層檢測器：把第一層找到的邊緣組合起來 ，所以還能匹配上 。我後麵會專門講。訓練出了 AlexNet。就有 100 萬個像素。但核心識別原理——把采集到的數據變成數字
  、也就是你臉的輪廓。要理解這件事 ，就能找到圖片裏顏色變化的地方 。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色 ，但眼睛
  、沒有邊緣。但邊緣隻是一堆線條。隨機填一組數字 ，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，而顏色在電腦裏是用數字表示的 。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 。

  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，AI 為什麽能通過律師考試卻會一本正經地撒謊。

  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 ，"這是汽車" 。人臉識別的學習過程完全一樣  。這些可調整的數字，

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

• 如果猜錯了——調整那 9 個數字，

  

  綠色 、表情——這些讓一張臉變得獨特的要素
  。把邊緣變成形狀 ，一個管上下——就能找到圖片中任意方向的邊緣 。比如，綜合判斷最終結果）。

  三個條件——海量數據 、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，豎線、

  所以當你拿手機對著自己的臉
  ，我們先用一個更簡單的任務來說明這個過程——區分貓和狗 。數字越小越暗，第二層找形狀 ，

  讓我用一個具體例子來演示 。你拿起手機 ，越大越亮 。算法改進——同時到位，你就找到了輪廓、這樣就不會被一張照片騙過去。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，

  

  這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，什麽是"眼睛"，手機往往就不認識你了 。旗艦模型超過 1 億個參數，從互聯網上收集的真實場景人臉照片 ，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"，就能看到"臉"了。

  

  這就是 AI 在"看"這件事上卡住了幾十年的地方。層數越多
   ，到達一個"很少出錯"的狀態 。

  神奇的事情發生了：那些原本隨機的數字
  ，重複幾百萬次之後
  ，它隻是在做加減乘除：把像素變成邊緣 ，但正確答案是"狗"。和正確答案對比：

  • 如果猜對了——不錯  ，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 ，

每天早上，就能檢測出圖片裏有沒有某種特征 。參數量更是以億計。那可能是一張臉"

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
	，隻用加減乘除
，擅長一件一件地處理複雜任務），這個係列就是我的探索筆記，而發型屬於臉的外圍
	，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。
回到手機人臉識別
現在你知道手機是怎麽認出你的了。就無法判斷對錯，但應該是 0%。這個檢測器會在整張圖片上一格一格地滑動，
給電腦看 1000 張貓的照片和 1000 張狗的照片，原理完全一樣
，就是邊緣。無數種角度、每一張都要把所有參數調整一遍

。
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）。有一個名字
，