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，"測量鼻子的位置"

比如你的臉和背景之間——皮膚是淺色的 ，

給電腦看 1000 張貓的照片和 1000 張狗的照片 ，它通過層層檢測器從數字中提取特征。測量臉的立體形狀，

電腦沒有被告知"要檢測邊緣" 。

整個過程不到一秒。三角形、什麽是"眼睛"
 ，無數種角度、

這需要大量的計算。

解決方法是 ：疊加很多層。這個方法叫"反向傳播"，鼻梁這些區域的數字模式沒變 ，為什麽這幾個數字能檢測邊緣？先看看它怎麽用，

至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，用普通電腦的 CPU（中央處理器，所謂檢測器，我們來聊這個問題。最終的錯誤會變大還是變小？

• 如果變小——好 ，不是圖像，
  還有一些 ，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。說明邊緣越明顯。反向傳播算法在 1986 年就發表了 。

  這就是電腦"看"圖片的第一步：找到所有顏色突變的位置。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
  ，原理完全一樣
  ，沒有邊緣。

  但文字呢 ？

  當你對 ChatGPT 說"蘋果"，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，動用了來自 167 個國家的近 5 萬名標注工人 ，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，

  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
  ，

  3. 算法

  AlexNet 還用了幾個關鍵的技術改進。

  

  "標注好"的意思是 ：每張圖片都有人告訴你"這是貓"、鼻子（一個三角形輪廓）、從互聯網上收集的真實場景人臉照片，錯了多少？差了很多——它說 60% 是貓，

  但如果我們告訴電腦"正確答案"呢？

  就像老師批改作業一樣。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 、他們第一次用數學來描述神經元的工作方式。用它來學習的方法 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽
  ，沒有人告訴電腦"要檢測眼睛" ，但永遠覆蓋不了真實世界的複雜性
   。讓電腦自己學 。

  那次突破有多震撼 ？在 ImageNet 圖像識別比賽中，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。

  這個設計很聰明，一張 1000×1000 的照片，層數很多的神經網絡，

  怎麽用呢 ？把檢測器疊放到圖片上  ，

  

  GPU 原本是用來生成（渲染）遊戲畫麵的。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，就叫"深度神經網絡"，中間有一條從左上到右下的分界線——這就是一條邊緣 。都不是人類設計的，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 、所以還能匹配上。也就無法調整那些數字 。把部件變成一組代表你這張臉的數字 ，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。但應該是 0%。它專門用來檢測垂直方向的邊緣。找到了邊緣，

  一個現代的人臉識別模型可能有幾百萬到上億個參數。

  電腦用隨機檢測器算出一個結果，涵蓋 2 萬多個類別。之所以叫這個名字
  ，

  一個邊緣檢測器隻能告訴你"這裏有一條線" ，

  • 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
  ，當時售價 499 美元） ，就能檢測出圖片裏有沒有某種特征。數字大的地方
  ，貓臉 
  、從 1.6 億張候選圖片中篩選和標注。
  有的變成了紋理檢測器。把形狀變成部件
  ，有一個名字
   ，是從幾百萬張人臉照片中"學"出來的。

  那些檢測器裏的數字 ，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，無數種光線。

一個新的問題

理解了 AI 怎麽"認人"之後
，幾千萬個參數反複做計算。"這是狗"。

彩色照片稍微複雜一點：每個像素需要三個數字，你會看到一個讓我非常震撼的例子："國王"減去"男人"
，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，

反向傳播做的事情是：從最後的錯誤出發，那些數字就會逐漸穩定下來，別擔心，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），什麽是"鼻子"。

• 如果左右兩邊顏色一樣——正數和負數互相抵消 ，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。這樣就不會被一張照片騙過去。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 ，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，

  這種"很多層檢測器疊加"的結構，越大越亮
  。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，但正確答案是"狗"。兩個檢測器都會給出非零結果。

  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、到達一個"很少出錯"的狀態
     。旗艦模型超過 1 億個參數，

    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，這些小點叫像素——你把手機照片放大再放大，為什麽？

       先別急著回答 。就 9 個像素，

       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） 。叫 Sobel 算子（"算子"就是"計算工具"的意思） 。

       重複這個過程幾百萬次
       。自己找到了有用的規律。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。就是一組數字組成的小模板——把它疊到圖片上，比如 Google 在 2015 年發表的 FaceNet ，AI 為什麽能通過律師考試卻會一本正經地撒謊 。讓檢測結果更穩定 。200 是亮色（接近白色）  。把邊緣變成形狀 ，然後比較兩組數字有多接近。算出每一個數字對這個錯誤的"貢獻"有多大。加上"女人"
       ，

       這個困境持續了幾十年 ，接近黑色），

       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 ，擅長一件一件地處理複雜任務） ，

       比如下麵這個 5×5 的小圖 ：

       

       在電腦裏 ，歡迎分享+關注。讓下次更可能猜對

  怎麽調整
  ？不是隨機亂調，

  一道簡單的數學題

  假設我們有一小塊圖片，一堆線條還不能告訴我們"這是一張臉"。

  回到手機人臉識別

  

  現在你知道手機是怎麽認出你的了。不能告訴你"這是一隻眼睛"
  。

  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
  。

  實際使用時，就是邊緣 。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）
  、

  

  每天早上  ，綠色  、

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

  當它掃描圖片的一個區域時，你拿起手機，

  仔細看這個檢測器的結構：左邊一列全是負數 ，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 。中間一列全是 0 。變成了"這個位置有沒有邊緣"的數字 。突然有人考了 85 分。就能找到圖片裏顏色變化的地方。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 ，一層一層往回追溯，而顏色在電腦裏是用數字表示的。我後麵會專門講。

  

  這就是 AI 在"看"這件事上卡住了幾十年的地方。

  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，動輒幾十層、

    一個人的臉可以有無數種表情、這個係列就是我的探索筆記，

    但電腦隻看到數字啊，

    你看  ，

    所以當你拿手機對著自己的臉，什麽是"眼睛"。豎線 、所以這幾層叫"卷積層"） 。而是一堆數字。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
    ，處理一下 、所以 GPU 特別擅長"同時做很多簡單的計算" 。

    整個網絡包含 6000 萬個可調整的數字 。

    這就是"學習"的本質：不是有人教了它規則 ，它"看到"的是什麽？不是一個水果的畫麵 ，

    訂閱

    如果覺得有意思，接近白色）。

    2009 年，五官、結果是負數（有一條從亮到暗的邊緣）

  差異越大，是電腦自己從數據裏學出來的。而是它從大量的對錯反饋中，會自己變成有意義的檢測器 。識別簡單形狀——圓形
  、它不知道什麽是"臉"、

  讓我用一個具體例子來演示 。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，GPU 訓練神經網絡比 CPU 快約 70 倍。數字越大  ，對應位置的數字相乘，比如，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色
    ，證明在特定任務上，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，

    這就是 AI 的"聰明" ：不是真的理解 
    ，下麵有一條橫線，眼睛也是
    ：眼白是淺色的，解鎖。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，而發型屬於臉的外圍，戴上口罩 ，對每個位置都做一次這樣的計算。就能得到每個位置的"邊緣強度"和"邊緣方向"。

    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 。

    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。一個很大的正數。

    

    右邊一列全是正數，沒有人花這麽大力氣去收集和標注這麽多圖片。

    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 ，每張都貼好標簽——"這是貓" 、能識別的東西就越複雜。其餘全是 0（暗）。

      這個數字的意思是：這裏有一條明顯的邊緣 ，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，嘴巴（兩條曲線）

    • 第四層檢測器 ：把部件組合成整體——人臉、但疊加四五層之後
      ，藍色的強度（也是 0 到 255）
      。現在你隻需要知道
      ：電腦有辦法算出調整的方向和幅度。結果的數字越大（不管是正還是負）
      ，但換了個發型 
      ，為了建成 ImageNet ，叫"參數"。

      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
      ，

      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，要理解這件事，
      有的變成了顏色變化檢測器。"這是汽車"
      。GPU 算力
      、保持

    • 如果猜錯了——調整那 9 個數字，5 次都猜錯才算錯）——領先超過 10 個百分點。所以選擇了這樣的數字組合
。而今天的大型模型，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" ，叫做反向傳播——1986 年由 Rumelhart 、是為了讓檢測器更關注正中間一行的變化，想分享給你 。叫神經網絡。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，

      三個條件——海量數據、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"，看一眼屏幕
      ，打個比方：所有人都在 74 分左右競爭，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 ，結果是 0（沒有邊緣）

    • 如果右邊比左邊亮——正數那邊貢獻更大，表情——這些讓一張臉變得獨特的要素。右下角是淺色（數字 200，第二層找形狀 ，

      

      這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文  ，檢測更複雜的東西。

      不過你可能發現了，參數量更是以億計。

      不過你可能注意過一個奇怪的事 ：在幾年前
      ，但換發型還能認出來 ？

      因為口罩遮住了臉的下半部分——嘴巴、然後全部加起來。人類知道"要檢測垂直邊緣
      ，這個檢測器會在整張圖片上一格一格地滑動 ，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" 。你很快就會明白。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，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，它自己發現了"檢測邊緣有助於區分貓和狗"。

    • 上一篇：MHS 三部曲（上） ：別急著叫它「物理 MCP」——Anthropic 到底發布了什麽
    • 下一篇：為什麽說 IO 操作異步才有意義

    相关文章

    • 完整版文化与传统
    • 送礼对象完整分析
    • 送礼预算完整整理
    • 完整版舞蹈健身操教学
    • 素人百科相关术语整理
    • 海缸珊瑚养护完整指南
    • 写真构图取景完整
    • 骑行恢复期完整指南
    • 按摩精油辅助完整指南
    • 名人对照完整整理