如果變大——反過來 ，電腦眼中的照片
要理解手機怎麽"人臉識別"，
而關鍵是 ：每一層的檢測器裏的數字
，即可訂閱
。無數種光線。
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 ，什麽是"鼻子"
。看一眼屏幕 ，從左到右顏色在變亮 。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率 。突然有人考了 85 分。有一個名字
，
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）。它隻是在做加減乘除 ：把像素變成邊緣 ，神經網絡的概念在 1940 年代就有了
，藍色的強度（也是 0 到 255） 。
最簡單的情況是黑白照片 ：純黑是 0 ，
這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文 ，"這是狗"
、就能找到圖片裏顏色變化的地方 。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，也就無法調整那些數字 。什麽是鼻子 。完全不需要知道什麽是"臉" 、人臉識別的學習過程完全一樣。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，我們來聊這個問題 。
三個條件——海量數據 、6000 萬參數
，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
。為什麽 ？
先別急著回答
。它不知道什麽是"臉" 、原理完全一樣 ，
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，但換發型還能認出來？
因為口罩遮住了臉的下半部分——嘴巴、5 次都猜錯才算錯）——領先超過 10 個百分點 。動用了來自 167 個國家的近 5 萬名標注工人
，取名 AlexNet（Alex 的網絡） 。
- 如果左右兩邊顏色一樣——正數和負數互相抵消 ，和正確答案對比 ：
- 如果猜對了——不錯 ，
反向傳播做的事情是 ：從最後的錯誤出發 ，歡迎關注我
，找到了邊緣
，8 層網絡
，"這是狗" 。接近白色）
。是為了讓檢測器更關注正中間一行的變化 ，下巴這些區域的麵部特征被口罩擋住了
，上百層
，對應位置的數字相乘 ，分給大量網上工人完成的平台） ，
邊緣勾勒出了圖片裏"有東西"的地方 。中間的灰色就是 1 到 254
。
但文字呢
？
當你對 ChatGPT 說"蘋果" ，用普通電腦的 CPU（中央處理器 ，然後比較兩組數字有多接近
。嘴巴（兩條曲線）
- 第四層檢測器 ：把部件組合成整體——人臉
、處理一下 、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 。而是一堆數字
。打個比方 ：所有人都在 74 分左右競爭 ，人類知道"要檢測垂直邊緣，斜線
、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"
，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"。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
。我後麵會專門講 。
一個現代的人臉識別模型可能有幾百萬到上億個參數
。
這就是電腦"看到"的東西
。就無法判斷對錯 ，結果是負數（有一條從亮到暗的邊緣）
差異越大
，隨機填一組數字 ，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
，動輒幾十層 、
所以當你拿手機對著自己的臉 ，最終這個數據集包含了超過 1400 萬張標注好的圖片
，它有 8 層 。
至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大 ，哪怕是一條 45° 的斜線，200 是亮色（接近白色）
。要理解這件事 ，再傳給下一個 。
給電腦看 1000 張貓的照片和 1000 張狗的照片 ，才有了 2012 年的突破。分別表示紅色、能識別的東西就越複雜 。中間一列全是 0 。用它來學習的方法
，這些"正確答案"是電腦學習的前提——沒有答案
，
這就是"訓練" 。
這就是 AI 在"看"這件事上卡住了幾十年的地方 。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 ，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 ，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，
彩色照片稍微複雜一點
：每個像素需要三個數字，一層一層往回追溯
，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，重複幾百萬次之後
，不是圖像 ，但原理完全一樣——歸根到底還是數字
。你很快就會明白。之所以叫這個名字 ，
2009 年
，它專門用來檢測垂直方向的邊緣
。純白是 255，
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
，豎線 、
回到手機人臉識別
現在你知道手機是怎麽認出你的了。現在你隻需要知道：電腦有辦法算出調整的方向和幅度 。
還有一些 ，
這就是電腦"看"圖片的第一步：找到所有顏色突變的位置
。
解決方法是 ：疊加很多層 。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 ，檢測更複雜的東西
。為什麽這幾個數字能檢測邊緣？先看看它怎麽用
，別擔心 ，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊
、什麽是"眼睛" 。所以還能匹配上 。AI 為什麽能通過律師考試卻會一本正經地撒謊 。
一道簡單的數學題
假設我們有一小塊圖片
，直到一個想法改變了一切 ：
不要人類來設計檢測器 ，你從來沒想過這件事有什麽特別的 。中間一行全是 0 。右下角是淺色（數字 200 ，擅長一件一件地處理複雜任務） ，涵蓋 2 萬多個類別。在 AI 領域有一個專門的名稱 ，本質上就是 ：右邊的亮度 - 左邊的亮度 。每一張都要把所有參數調整一遍 。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 ，這些可調整的數字
，一個管上下——就能找到圖片中任意方向的邊緣 。這個係列就是我的探索筆記 ，表情——這些讓一張臉變得獨特的要素 。三角形、把部件變成一組代表你這張臉的數字，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 ，結果肯定是亂七八糟的 。叫 Sobel 算子（"算子"就是"計算工具"的意思） 。但換了個發型 ，
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）
。
不過你可能注意過一個奇怪的事 ：在幾年前 ，
一個邊緣檢測器隻能告訴你"這裏有一條線"，判斷"這是不是主人的臉"
。GPU 訓練神經網絡比 CPU 快約 70 倍 。叫"參數"
。鼻子（一個三角形輪廓）、
3. 算法
AlexNet 還用了幾個關鍵的技術改進 。經過層層計算，GPU 算力
、這個檢測器會在整張圖片上一格一格地滑動 ，
不過你可能發現了
，
2012 年的突破用了一個聰明的辦法
：用遊戲顯卡（GPU ，
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 ，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 ，手機往往就不認識你了 。
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 ，
讓我用一個具體例子來演示。變成了"這個位置有沒有邊緣"的數字 。
一堆數字 ，
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 。但邊緣隻是一堆線條
。
2. 算力
訓練一個模型 ，讓檢測結果更穩定 。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域 。那些數字就會逐漸穩定下來 ，花了大約 5-6 天 ，但疊加四五層之後 ，說明邊緣越明顯 。一個三角形在中間
，中間有一條從左上到右下的分界線——這就是一條邊緣。
你看 ，第一層隻能看到線條
，
疊加 ：從線條到人臉
但一層檢測器還不夠。他們第一次用數學來描述神經元的工作方式 。
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。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"。
一個新的問題
理解了 AI 怎麽"認人"之後 ，從 1.6 億張候選圖片中篩選和標注
。就能看到一個個小方塊，數字越大 ，
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 。每張都貼好標簽——"這是貓" 、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"、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，背景可能是深色的，比如，逼網絡學到更通用的規律
，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集 。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
，但正確答案是"狗" 。瞳孔是深色的 ，但對所有數字同時做這種微調 ，都不是人類設計的，你會看到一個讓我非常震撼的例子 ："國王"減去"男人"
，這可能要算好幾個月甚至幾年
。圖形處理器）來算
。它照樣能解鎖 。綠色 、就叫"深度神經網絡"
，我一直很好奇 AI 到底是怎麽工作的
，到達一個"很少出錯"的狀態 。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 ，也就是你臉的輪廓 。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" ，這也是邊緣
。發現了很多有意思的東西 ，第二層找形狀
，
手機不知道什麽是眼睛 、這些小點叫像素——你把手機照片放大再放大 ，你拿起手機 ，鼻梁這些區域的數字模式沒變
，保持
- 如果猜錯了——調整那 9 個數字 ，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 ，測量臉的立體形狀 ，就是邊緣。
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 ，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 ，
電腦沒有被告知"要檢測邊緣"
。就能檢測出圖片裏有沒有某種特征 。
- 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 ，
這需要大量的計算
。五官
、
整個過程不到一秒。所以這幾層叫"卷積層"）
。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，你就找到了輪廓 、
但如果我們告訴電腦"正確答案"呢 ？
就像老師批改作業一樣。它輸出"60% 可能是貓" ，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
，
-1 0 1-2 0 2-1 0 1
當它掃描圖片的一個區域時，
這就是"學習"的本質：不是有人教了它規則 ，
電腦用隨機檢測器算出一個結果，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 ，越大越亮。
有的變成了紋理檢測器。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）
、後續文章也會持續更新 。解鎖 。這些技術讓更深的網絡變得可訓練 。我們先用一個更簡單的任務來說明這個過程——區分貓和狗。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、讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你 。
仔細看這個檢測器的結構：左邊一列全是負數 ，層數越多，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，就能得到每個位置的"邊緣強度"和"邊緣方向" 。這就形成了一條邊緣 ，就是"深度學習" 。
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 ，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 ，
這種"很多層檢測器疊加"的結構 ，讓電腦自己學。加上"女人"，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，
那次突破有多震撼 ？在 ImageNet 圖像識別比賽中
，接近黑色） ，
每天早上 ，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字 ，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 ，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 ，
每個像素都有一個顏色，它自己發現了"檢測邊緣有助於區分貓和狗"
。是因為上一層的某個檢測器輸出偏了
- 那個檢測器偏了，幾千萬個參數反複做計算 。Graphics Processing Unit ，所以 GPU 特別擅長"同時做很多簡單的計算"
。戴上口罩，對每個位置都做一次這樣的計算 。把那個數字調小一點
喜欢
讨厌