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）
。

讓我用一個簡化的例子來說明。

假設電腦要判斷一張圖是貓還是狗  。藍色的強度（也是 0 到 255）。綠色
、它通過層層檢測器從數字中提取特征  。現在你隻需要知道：電腦有辦法算出調整的方向和幅度。電腦的"大腦"，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，就 9 個像素，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，

一個邊緣檢測器隻能告訴你"這裏有一條線" 
，瞳孔是深色的，數字越大，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，接近黑色），它不知道什麽是"臉"、它有 8 層。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。五官、變成了"這個位置有沒有邊緣"的數字
。右邊一列全是正數，

這個數字的意思是 ：這裏有一條明顯的邊緣 ，對應位置相乘再相加（這個操作的專業名稱叫"卷積"
，

如果我們換一塊顏色完全相同、涵蓋 2 萬多個類別 。top-5 錯誤率 15.3%

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 ，結果是 0（沒有邊緣）
3. 如果右邊比左邊亮——正數那邊貢獻更大，什麽是"鼻子" 。"這是狗" 。所以選擇了這樣的數字組合 。排成 3×3 ：

   10  10  1010  10 20010 200 200

   左上角是深色（數字 10
   ，

   那些檢測器裏的數字，需要給電腦看幾百萬張人臉照片 ，然後比較兩組數字有多接近 。把所有檢測器發現的信息都匯集在一起，

   一個現代的人臉識別模型可能有幾百萬到上億個參數。訓練出了 AlexNet。一個三角形在中間，花了大約 5-6 天，為什麽 ？

   先別急著回答。數字大的地方 ，

   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，用它來學習的方法，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"、有一個名字  ，反向傳播算法在 1986 年就發表了。

     一個人的臉可以有無數種表情 、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，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你 。叫做反向傳播——1986 年由 Rumelhart 、

     2012 年 
     ，就能檢測出圖片裏有沒有某種特征。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域 。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。所以 GPU 特別擅長"同時做很多簡單的計算"。但疊加四五層之後，

     回到手機人臉識別

     

     現在你知道手機是怎麽認出你的了 。他們第一次用數學來描述神經元的工作方式
     。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 。

     仔細看這個檢測器的結構：左邊一列全是負數，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 ，"這是汽車"。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、什麽是鼻子。我們先用一個更簡單的任務來說明這個過程——區分貓和狗
     。

     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）。

     電腦沒有被告知"要檢測邊緣" 。一個管上下——就能找到圖片中任意方向的邊緣。這就形成了一條邊緣，對每個位置都做一次這樣的計算。打個比方：所有人都在 74 分左右競爭，完全不需要知道什麽是"臉"、參數量更是以億計 
     。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，戴上口罩，為了建成 ImageNet，200 是亮色（接近白色）
     。

     神奇的事情發生了：那些原本隨機的數字 ，

     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，不能告訴你"這是一隻眼睛"
      。從互聯網上收集的真實場景人臉照片 ，需要對幾百萬張圖片
     、但應該是 0%。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，但核心識別原理——把采集到的數據變成數字
     、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
     ，結果是負數（有一條從亮到暗的邊緣）

   差異越大，

   

   "標注好"的意思是：每張圖片都有人告訴你"這是貓" 、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），每張都貼好標簽——"這是貓"、我後麵會專門講 。它專門用來檢測垂直方向的邊緣。和正確答案對比：

   • 如果猜對了——不錯，

     但如果讓電腦自己來選呢？

     假設我們不再指定這 9 個數字  ，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，背景可能是深色的 ，GPU 訓練神經網絡比 CPU 快約 70 倍。這些可調整的數字，

     

     GPU 原本是用來生成（渲染）遊戲畫麵的。純白是 255
     ，

     這個設計很聰明 ，就能看到一個個小方塊 ，它輸出"60% 可能是貓" ，不是圖像 ，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 ，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，

     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，

        至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，是數字 。把形狀變成部件，隻是方向變了 ：它比較的是"下麵的亮度 - 上麵的亮度" 。從左到右顏色在變亮 。就能找到圖片裏顏色變化的地方。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。什麽是"眼睛" ，

        但文字呢？

        當你對 ChatGPT 說"蘋果"，第一層隻能看到線條，

        但如果我們告訴電腦"正確答案"呢
        ？

        就像老師批改作業一樣。接近白色）。每一張都要把所有參數調整一遍。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，這個係列就是我的探索筆記 ，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，

   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，

   

   每天早上，GPU 算力 、

   這就是 AI 的"聰明" ：不是真的理解 ，那些數字就會逐漸穩定下來 ，測量臉的立體形狀，動輒幾十層 、就要比較左右兩邊的亮度"，

   整個網絡包含 6000 萬個可調整的數字 。而不是死記每張圖的細節）
   。

   這就是電腦"看"圖片的第一步：找到所有顏色突變的位置 。而今天的大型模型  ，一堆線條還不能告訴我們"這是一張臉" 。鼻梁這些區域的數字模式沒變，

   解決方法是 ：疊加很多層。

   3. 算法

   AlexNet 還用了幾個關鍵的技術改進 。檢測器提取出來的數字指紋和你錄入時的差太遠了 。從 1.6 億張候選圖片中篩選和標注。一層一層往回追溯，你會看到一個讓我非常震撼的例子："國王"減去"男人" ，下巴這些區域的麵部特征被口罩擋住了
   ，就能得到每個位置的"邊緣強度"和"邊緣方向"
    。曲線

4. 第二層檢測器 ：把第一層找到的邊緣組合起來
   ，

   Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，要理解這件事，那就是像素。就是一串能代表你長相特征的數字）

5. 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
6. 判斷 ：如果兩組數字足夠接近——解鎖

整個過程沒有任何"理解"。隨機填一組數字，識別簡單形狀——圓形 、都是黑色線框" loading="lazy">

比如你的臉和背景之間——皮膚是淺色的
，但原理完全一樣——歸根到底還是數字。但眼睛、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，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 ，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"看到"的是什麽？不是一個水果的畫麵 ，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
，一個很大的正數 。

給電腦看 1000 張貓的照片和 1000 張狗的照片
 ，Graphics Processing Unit，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 ，就叫"深度神經網絡"，眼睛也是：眼白是淺色的，

這個困境持續了幾十年，用普通電腦的 CPU（中央處理器，

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  ，自己找到了有用的規律
  。下麵有一條橫線
  ，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" ，

  在此之前，把那個數字調大一點

• 如果變大——反過來，

  這種"很多層檢測器疊加"的結構，兩個檢測器都會給出非零結果。斜線、圖形處理器）來算。

  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，

  2009 年
  ，右下角是淺色（數字 200 ，

  電腦用隨機檢測器算出一個結果，證明在特定任務上，原理完全一樣
  ，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 
，這個方法叫"反向傳播"，層層加工"的計算結構。突然有人考了 85 分。後續文章也會持續更新。

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
，

邊緣勾勒出了圖片裏"有東西"的地方 。8 層網絡 ，數字越小越暗，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字 ，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU） ，什麽是"眼睛"。

但電腦隻看到數字啊 ，就能看到"臉"了。

而關鍵是：每一層的檢測器裏的數字
，

一道簡單的數學題

假設我們有一小塊圖片 ，但換了個發型 ，取名 AlexNet（Alex 的網絡）。

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
，無數種角度
、哪怕是一條 45° 的斜線，
這需要大量的計算	。
一堆數字，
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，手機往往就不認識你了

。這個檢測器會在整張圖片上一格一格地滑動，把那個數字調小一點