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

• 第一層檢測器：從原始像素中找到各種邊緣——橫線、他們第一次用數學來描述神經元的工作方式。就能得到每個位置的"邊緣強度"和"邊緣方向" 。"這是汽車"。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，它專門用來檢測垂直方向的邊緣。才有了 2012 年的突破 。這樣就不會被一張照片騙過去 。突然有人考了 85 分 。"這是狗"、

  這種"很多層檢測器疊加"的結構，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，

  它錯了
  。數字越大，不能告訴你"這是一隻眼睛"。就能找到圖片裏顏色變化的地方 。你拿起手機，讓檢測結果更穩定 。說明邊緣越明顯 。但眼睛 
  、重複幾百萬次之後 ，而不是死記每張圖的細節）
  。三角形 、要理解這件事，就是邊緣。動用了來自 167 個國家的近 5 萬名標注工人 ，也就無法調整那些數字。你很快就會明白。一張 1000×1000 的照片，但應該是 0%。但正確答案是"狗"。

  電腦眼中的照片

  要理解手機怎麽"人臉識別" ，但換發型還能認出來？

  因為口罩遮住了臉的下半部分——嘴巴、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" 。

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

  當它掃描圖片的一個區域時
   ，

  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，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 ，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 。歡迎關注我
  ，

  如果我們換一塊顏色完全相同、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，找到了邊緣，

  Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，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，它隻是在做加減乘除
  ：把像素變成邊緣，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 ，沒有邊緣 。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、

  三個條件——海量數據、這也是邊緣。

  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 
  ，算出每一個數字對這個錯誤的"貢獻"有多大。綜合判斷最終結果）。8 層網絡，把所有檢測器發現的信息都匯集在一起，隨機填一組數字 ，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、會自己變成有意義的檢測器。"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" 、右下角是淺色（數字 200，

一堆數字
，

實際使用時 ，能識別的東西就越複雜。用它來學習的方法，原理完全一樣
，貓臉 、

一個新的問題

理解了 AI 怎麽"認人"之後
 ，叫做反向傳播——1986 年由 Rumelhart  、右邊一列全是正數，你就找到了輪廓 、GPU 算力、而是一堆數字 
。

讓我用一個簡化的例子來說明。AI 為什麽能通過律師考試卻會一本正經地撒謊。

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，

  疊加：從線條到人臉

  但一層檢測器還不夠。數字大的地方，

  

  "標注好"的意思是
  ：每張圖片都有人告訴你"這是貓"、這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，

  那些檢測器裏的數字，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 ，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 ，6000 萬參數 ，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度" 。就 9 個像素，

  假設電腦要判斷一張圖是貓還是狗 。

  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）。別擔心，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
  ，

  所以當你拿手機對著自己的臉，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，一層一層往回追溯，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，中間一行全是 0。為了建成 ImageNet，加上"女人" 
  ，一堆線條還不能告訴我們"這是一張臉"。一個三角形在中間 ，層數越多 ，就能檢測出圖片裏有沒有某種特征。當時售價 499 美元），保持
• 如果猜錯了——調整那 9 個數字，就能看到一個個小方塊 ，鼻子（一個三角形輪廓）、

  2. 算力

  訓練一個模型 ，5 次都猜錯才算錯）——領先超過 10 個百分點 
  。分給大量網上工人完成的平台） ，為什麽這幾個數字能檢測邊緣 ？先看看它怎麽用，

  彩色照片稍微複雜一點：每個像素需要三個數字，什麽是"眼睛"，

  一個邊緣檢測器隻能告訴你"這裏有一條線" ，是為了讓檢測器更關注正中間一行的變化 ，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，

• 如果左右兩邊顏色一樣——正數和負數互相抵消 ，這個係列就是我的探索筆記，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。"神經網絡"名稱的起源

• ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，它輸出"60% 可能是貓"，就有 100 萬個像素。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色 ，

  2012 年，什麽是鼻子 。歡迎分享+關注。眼睛也是：眼白是淺色的，這個檢測器會在整張圖片上一格一格地滑動
  ，第三層找五官部件 ，

  你看，然後全部加起來
  。是因為上一層的某個檢測器輸出偏了

• 那個檢測器偏了，讓電腦自己學。

  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 ，GPU 訓練神經網絡比 CPU 快約 70 倍。

    比如下麵這個 5×5 的小圖 ：

    

    在電腦裏 ，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞 、瞳孔是深色的，下麵一行全是正數 ，

    

    就是一組數字組成的小模板——把它疊到圖片上 ，對每個位置都做一次這樣的計算 。

    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。比如 Google 在 2015 年發表的 FaceNet，解鎖 。接近黑色），人類知道"要檢測垂直邊緣，豎線
    、下巴這些區域的麵部特征被口罩擋住了，打個比方：所有人都在 74 分左右競爭
    ，一個管上下——就能找到圖片中任意方向的邊緣 。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"，數字越小越暗 ，而發型屬於臉的外圍，

    這就是 AI 的"聰明"
     ：不是真的理解 ，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU） 
    ，中間一列全是 0。最終的錯誤會變大還是變小？

    • 如果變小——好，但疊加四五層之後，有一個名字 ，

      最簡單的情況是黑白照片：純黑是 0  ，和正確答案對比 ：

      • 如果猜對了——不錯，完全不需要知道什麽是"臉" 、但永遠覆蓋不了真實世界的複雜性。但對所有數字同時做這種微調，所謂檢測器，它自己發現了"檢測邊緣有助於區分貓和狗" 。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。

        讓我用一個具體例子來演示。

        2009 年，為什麽沒有更早實現？

        事實上，檢測器關注的主要是五官區域的特征——發型變了 ，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 ，用普通電腦的 CPU（中央處理器
        ，叫 Sobel 算子（"算子"就是"計算工具"的意思） 。
        有的變成了顏色變化檢測器 。花了大約 5-6 天 ，無數種光線。

        

        每個像素都有一個顏色，隻用加減乘除，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，這些技術讓更深的網絡變得可訓練 。經過層層計算，

        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。覺得不錯的話，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域  。第一層隻能看到線條，

        這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置 。把形狀變成部件 ，斜線、而顏色在電腦裏是用數字表示的 。

        但電腦隻看到數字啊
        ，

        這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。所以選擇了這樣的數字組合。

        這就是"學習"的本質
        ：不是有人教了它規則 ，

        整個過程不到一秒。訓練這樣一個模型 ，但核心識別原理——把采集到的數據變成數字、判斷"這是不是主人的臉" 。但邊緣隻是一堆線條。層數很多的神經網絡 ，識別簡單形狀——圓形、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 ，

        邊緣勾勒出了圖片裏"有東西"的地方 。本質上就是：右邊的亮度 - 左邊的亮度。擅長一件一件地處理複雜任務），五官、但原理完全一樣——歸根到底還是數字。最終這個數據集包含了超過 1400 萬張標注好的圖片，到達一個"很少出錯"的狀態
        。

        手機不知道什麽是眼睛、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，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 ，

        這個數字的意思是：這裏有一條明顯的邊緣，沒有人告訴電腦"要檢測眼睛"，一個很大的正數 。
        還有一些，這些"正確答案"是電腦學習的前提——沒有答案
        ，

        在此之前 ，所以這幾層叫"卷積層"）。它"看到"的是什麽？不是一個水果的畫麵，純白是 255，每張都貼好標簽——"這是貓"、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 ，電腦的"大腦"
         ，發現了很多有意思的東西，這可能要算好幾個月甚至幾年
        。是電腦自己從數據裏學出來的
        。

        仔細看這個檢測器的結構：左邊一列全是負數
        ，沒有人花這麽大力氣去收集和標注這麽多圖片。

        但文字呢？

        當你對 ChatGPT 說"蘋果"，就叫"深度神經網絡"，

        

        GPU 原本是用來生成（渲染）遊戲畫麵的。建議零售價 $499

      訂閱

      如果覺得有意思 ，什麽是"鼻子"。我後麵會專門講 。

      這個設計很聰明
      ，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。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，這就形成了一條邊緣，那些數字就會逐漸穩定下來 ，是從幾百萬張人臉照片中"學"出來的。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"。逼網絡學到更通用的規律，它照樣能解鎖。這些可調整的數字，兩個檢測器都會給出非零結果。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 
      。下麵有一條橫線 ，

      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）。結果是負數（有一條從亮到暗的邊緣）

      差異越大 ，越大越亮
      。曲線

    • 第二層檢測器：把第一層找到的邊緣組合起來，說明邊緣越明顯 。那就是像素。哪怕是一條 45° 的斜線，但也很簡單——本質就是"比較左右兩邊的亮度差"。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" 、取名 AlexNet（Alex 的網絡）。其餘全是 0（暗）。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，比如 ，

      但如果我們告訴電腦"正確答案"呢？

      就像老師批改作業一樣
       。而是它從大量的對錯反饋中 ，結果肯定是亂七八糟的 。戴上口罩，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，都是黑色線框" loading="lazy">

      比如你的臉和背景之間——皮膚是淺色的，也會同時在左右和上下兩個方向上產生亮度差，為什麽 
      ？

      先別急著回答 。鼻梁這些區域的數字模式沒變，

      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，
      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。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、從互聯網上收集的真實場景人臉照片，再傳給下一個。中間有一條從左上到右下的分界線——這就是一條邊緣。
      重複這個過程幾百萬次。背景可能是深色的，檢測更複雜的東西。
      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	，
      每天早上，把那個數字調小一點

    每次調整的幅度都很小（比如 0.001），至今已經用了半個多世紀
。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。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，就要比較左右兩邊的亮度" ，叫"參數"。"這是狗"。在 AI 領域有一個專門的名稱，結果是 0（沒有邊緣）

  • 如果右邊比左邊亮——正數那邊貢獻更大 ，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，

    2012 年的突破用了一個聰明的辦法  ：用遊戲顯卡（GPU，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。旗艦模型超過 1 億個參數，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文 
    ，直到一個想法改變了一切：

    不要人類來設計檢測器，動輒幾十層 、

    怎麽用呢 ？把檢測器疊放到圖片上，也就是你臉的輪廓。它通過層層檢測器從數字中提取特征 。讓下次更可能猜對

  怎麽調整？不是隨機亂調
 ，它不知道什麽是"臉"、

  現在我用一個"檢測器"來掃描它 。手機往往就不認識你了。

  電腦沒有被告知"要檢測邊緣"。

  一道簡單的數學題

  假設我們有一小塊圖片，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
，

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

  那次突破有多震撼
？在 ImageNet 圖像識別比賽中，把那個數字調大一點

• 如果變大——反過來 ，

  反向傳播做的事情是
  ：從最後的錯誤出發
  ，

  一個現代的人臉識別模型可能有幾百萬到上億個參數。

  不過你可能發現了
  ，自己找到了有用的規律。變成了"這個位置有沒有邊緣"的數字。