這就是 AI 的"聰明"：不是真的理解 ，結果是 0（沒有邊緣）

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，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） 、把邊緣變成形狀 ，但永遠覆蓋不了真實世界的複雜性。它輸出"60% 可能是貓"，

  而關鍵是 ：每一層的檢測器裏的數字 ，歡迎分享+關注
  。貓臉、一張 1000×1000 的照片，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"
。發現了很多有意思的東西，把那個數字調大一點

• 如果變大——反過來，

  它錯了。這就形成了一條邊緣，即可訂閱。

  至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，鼻子（一個三角形輪廓） 
  、保持

• 如果猜錯了——調整那 9 個數字，斜線、但眼睛、五官
  、

  2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU ，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，

  整個過程不到一秒。但原理完全一樣——歸根到底還是數字 。為什麽這幾個數字能檢測邊緣？先看看它怎麽用 ，能識別的東西就越複雜。重複幾百萬次之後 ，戴上口罩 ，我一直很好奇 AI 到底是怎麽工作的 ，它不知道什麽是"臉"、斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集 。

  一道簡單的數學題

  假設我們有一小塊圖片 ，這些可調整的數字，

  最簡單的情況是黑白照片：純黑是 0，而顏色在電腦裏是用數字表示的 。比如，有一個名字 ，檢測器提取出來的數字指紋和你錄入時的差太遠了。"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"、歡迎關注我，最終的錯誤會變大還是變小？

• 如果變小——好，

  比如下麵這個 5×5 的小圖 ：

  

  在電腦裏，數字大的地方，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 ，而不是死記每張圖的細節）
  。

  讓我用一個具體例子來演示。瞳孔是深色的
   ，動輒幾十層
  、一種讓深層網絡更容易訓練的數學技巧（叫 ReLU）
  ，

  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 ，沒有人告訴電腦"要檢測眼睛"，

  

  • 如果左右兩邊顏色一樣——正數和負數互相抵消，圖形處理器）來算 。才有了 2012 年的突破。6000 萬參數
    ，中間一列全是 0 。就能看到"臉"了。

    一個現代的人臉識別模型可能有幾百萬到上億個參數。把部件變成一組代表你這張臉的數字 ，是因為上一層的某個檢測器輸出偏了

  • 那個檢測器偏了 ，都不是人類設計的，

    回到手機人臉識別

    

    現在你知道手機是怎麽認出你的了。背景可能是深色的，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，你拿起手機，從左到右顏色在變亮 。GPU 訓練神經網絡比 CPU 快約 70 倍 。

    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。比如 Google 在 2015 年發表的 FaceNet，

    一個人的臉可以有無數種表情 、

    這就是"學習"的本質：不是有人教了它規則 ，把形狀變成部件 ，

    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 。中間有一條從左上到右下的分界線——這就是一條邊緣。所謂檢測器
    ，

    但如果讓電腦自己來選呢？

    假設我們不再指定這 9 個數字，電腦的"大腦"，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 。幾千萬個參數反複做計算 。藍色的強度（也是 0 到 255）。眼睛也是
    ：眼白是淺色的 ，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，

    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。到達一個"很少出錯"的狀態
    。你就找到了輪廓 、為了建成 ImageNet，然後比較兩組數字有多接近。

    讓我用一個簡化的例子來說明。這也是邊緣。動用了來自 167 個國家的近 5 萬名標注工人，

    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、

    

    GPU 原本是用來生成（渲染）遊戲畫麵的 。會自己變成有意義的檢測器 。

    

    每個像素都有一個顏色 ，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色 ，就能得到每個位置的"邊緣強度"和"邊緣方向"。那就是像素
    。

    一堆數字
    ，第一層隻能看到線條
    ，

    仔細看這個檢測器的結構
    ：左邊一列全是負數 ，
    有的變成了紋理檢測器 。想分享給你 。什麽是"鼻子" 。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 ，純白是 255，每張都貼好標簽——"這是貓"
    、

    現在我用一個"檢測器"來掃描它。第三層找五官部件 ，

    如果我們換一塊顏色完全相同 、哪怕是一條 45° 的斜線
    ，這可能要算好幾個月甚至幾年 。從互聯網上收集的真實場景人臉照片，完全不需要知道什麽是"臉" 、右邊一列全是正數，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 ，把兩個結果綜合起來，叫做反向傳播——1986 年由 Rumelhart、擅長一件一件地處理複雜任務），"這是汽車"。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 ，覺得不錯的話，

  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，但邊緣隻是一堆線條。其餘全是 0（暗）。一層一層往回追溯，GPU 算力、現在你隻需要知道 ：電腦有辦法算出調整的方向和幅度 。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。不是圖像
   ，下麵一行全是正數，而是它從大量的對錯反饋中 ，都是黑色線框" loading="lazy">

  比如你的臉和背景之間——皮膚是淺色的 ，綜合判斷最終結果） 。算出每一個數字對這個錯誤的"貢獻"有多大 。數字越小越暗，

  整個網絡包含 6000 萬個可調整的數字。一個很大的正數。

  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，結果肯定是亂七八糟的。就能找到圖片裏顏色變化的地方。為什麽 ？

  先別急著回答 。

  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、

    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）。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，

    三個條件——海量數據  
    、一堆線條還不能告訴我們"這是一張臉" 。

    

    處理一下
    、

    這個困境持續了幾十年，所以還能匹配上。結果的數字越大（不管是正還是負），經過層層計算 ，這些小點叫像素——你把手機照片放大再放大 ，後續文章也會持續更新。就無法判斷對錯，原理完全一樣，算法改進——同時到位，要理解這件事，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  、和正確答案對比
    ：

    • 如果猜對了——不錯，第二層找形狀，

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

      當它掃描圖片的一個區域時，無數種角度、沒有邊緣
      。它專門用來檢測垂直方向的邊緣。就 9 個像素 ，叫"參數"。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，但對所有數字同時做這種微調 ，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，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 。然後全部加起來。5 次都猜錯才算錯）——領先超過 10 個百分點 。隻用加減乘除 ，

      電腦用隨機檢測器算出一個結果，這些技術讓更深的網絡變得可訓練 。表情——這些讓一張臉變得獨特的要素。兩個檢測器都會給出非零結果 。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，

      但電腦隻看到數字啊，找到了邊緣，從 1.6 億張候選圖片中篩選和標注 。但換了個發型，說明邊緣越明顯 。

      電腦沒有被告知"要檢測邊緣" 。

      那些檢測器裏的數字，

      神奇的事情發生了 ：那些原本隨機的數字 ，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 ，

      在此之前，也就無法調整那些數字 。

      不過你可能注意過一個奇怪的事 ：在幾年前
      ，檢測器關注的主要是五官區域的特征——發型變了，人臉識別的學習過程完全一樣 。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，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。8 層網絡，他們第一次用數學來描述神經元的工作方式。曲線
    • 第二層檢測器：把第一層找到的邊緣組合起來，而今天的大型模型，

      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，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，但也很簡單——本質就是"比較左右兩邊的亮度差" 。上百層，層數很多的神經網絡 ，你從來沒想過這件事有什麽特別的 。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，就有 100 萬個像素。但應該是 0% 。

        給電腦看 1000 張貓的照片和 1000 張狗的照片，我們來聊這個問題  。突然有人考了 85 分。

        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，
        這就是電腦"看"圖片的第一步：找到所有顏色突變的位置。而是把它們變成"空的"——可以填入任何數值：
        ?  ?  ??  ?  ??  ?  ?
        一開始
        ，這些"正確答案"是電腦學習的前提——沒有答案，右下角是淺色（數字 200
        ，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，
        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。
        手機不知道什麽是眼睛、當時售價 499 美元）
        ，層數越多，
        所以當你拿手機對著自己的臉
        ，花了大約 5-6 天，
        Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，別擔心
        ，測量臉的立體形狀，說明邊緣越明顯
        
        。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
        ，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞
        、這樣就不會被一張照片騙過去。而發型屬於臉的外圍，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，它自己發現了"檢測邊緣有助於區分貓和狗" 。

        怎麽用呢 ？把檢測器疊放到圖片上，AI 為什麽能通過律師考試卻會一本正經地撒謊
        。再傳給下一個 。最終這個數據集包含了超過 1400 萬張標注好的圖片，就是"深度學習"。

        那次突破有多震撼
        ？在 ImageNet 圖像識別比賽中 
        ，加上"女人" ，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，但換發型還能認出來？

        因為口罩遮住了臉的下半部分——嘴巴
        、

        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，但正確答案是"狗"
        。也會同時在左右和上下兩個方向上產生亮度差，

        一個邊緣檢測器隻能告訴你"這裏有一條線"
        ，看一眼屏幕 ，

        這需要大量的計算 。

        疊加 ：從線條到人臉

        但一層檢測器還不夠 。

        

        "標注好"的意思是：每張圖片都有人告訴你"這是貓" 、

        實際使用時，什麽是鼻子 。叫神經網絡。逼網絡學到更通用的規律
        ，就能看到一個個小方塊
         ，但核心識別原理——把采集到的數據變成數字、

        • 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，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，

        3. 算法

        AlexNet 還用了幾個關鍵的技術改進。對應位置的數字相乘 ，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度" 。

        一個新的問題

        理解了 AI 怎麽"認人"之後，對每個位置都做一次這樣的計算。本質上就是
        ：右邊的亮度 - 左邊的亮度。

        這種"很多層檢測器疊加"的結構，

        但文字呢？

        當你對 ChatGPT 說"蘋果"，是為了讓檢測器更關注正中間一行的變化，我後麵會專門講 。判斷"這是不是主人的臉" 。識別簡單形狀——圓形、是數字。這個檢測器會在整張圖片上一格一格地滑動，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，

      2. 算力

      訓練一個模型，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"，鼻梁這些區域的數字模式沒變  ，讓檢測結果更穩定
      。為什麽沒有更早實現 
      ？

      事實上 ，接近黑色） ，

      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 ，對應位置相乘再相加（這個操作的專業名稱叫"卷積"，讓電腦自己學。建議零售價 $499

    訂閱

    如果覺得有意思，變成了"這個位置有沒有邊緣"的數字 。下麵有一條橫線，手機往往就不認識你了。

    邊緣勾勒出了圖片裏"有東西"的地方。

    這個數字的意思是：這裏有一條明顯的邊緣，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，200 是亮色（接近白色）。
還有一些，

    2009 年 ，

    你看，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。

    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，越大越亮 。

    重複這個過程幾百萬次 。
有的變成了顏色變化檢測器 。讓下次更可能猜對

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

    解決方法是 ：疊加很多層 。它照樣能解鎖。用普通電腦的 CPU（中央處理器，錯了多少
？差了很多——它說 60% 是貓，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"。三角形 、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，就要比較左右兩邊的亮度"，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，參數量更是以億計 。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 ，是從幾百萬張人臉照片中"學"出來的
。

    

    這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，但疊加四五層之後 ，

    這就是"訓練"。沒有人花這麽大力氣去收集和標注這麽多圖片  。

    反向傳播做的事情是：從最後的錯誤出發 ，所以選擇了這樣的數字組合 。它有 8 層 。中間一行全是 0。分別表示紅色 、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，

    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，至今已經用了半個多世紀 。接近白色）。所以這幾層叫"卷積層"）。也就是你臉的輪廓。打個比方 ：所有人都在 74 分左右競爭 ，

       彩色照片稍微複雜一點：每個像素需要三個數字 
       ，旗艦模型超過 1 億個參數，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） ，就叫"深度神經網絡"，用它來學習的方法，層層加工"的計算結構 。就能檢測出圖片裏有沒有某種特征
       。所以 GPU 特別擅長"同時做很多簡單的計算"。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。"這是狗"。這個方法叫"反向傳播"  ，檢測更複雜的東西 。

       電腦眼中的照片

       要理解手機怎麽"人臉識別"，"這是狗"、結果是正數（有一條從暗到亮的邊緣）

    2. 如果左邊比右邊亮——負數那邊貢獻更大，

       這個設計很聰明 ，綠色、排成 3×3：

       10  10  1010  10 20010 200 200

       左上角是深色（數字 10 ，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" 
       ，證明在特定任務上，

       這是 「AI是怎麽回事」係列的第 1篇。隨機填一組數字，需要對幾百萬張圖片 、訓練出了 AlexNet
       。

       2012 年
       ，訓練這樣一個模型，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。它通過層層檢測器從數字中提取特征。解鎖。你很快就會明白。而是一堆數字
       。這個係列就是我的探索筆記，取名 AlexNet（Alex 的網絡）。

       

       這就是 AI 在"看"這件事上卡住了幾十年的地方
       。需要給電腦看幾百萬張人臉照片，