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 ，

  

  每天早上，然後全部加起來 。

  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。我一直很好奇 AI 到底是怎麽工作的 
  ，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" 。發現了很多有意思的東西
，就無法判斷對錯，你就找到了輪廓、為什麽
 ？

先別急著回答。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，

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 。就有 100 萬個像素。把部件變成一組代表你這張臉的數字 ，這個方法叫"反向傳播"，從 1.6 億張候選圖片中篩選和標注。

彩色照片稍微複雜一點 ：每個像素需要三個數字，就能看到一個個小方塊 ，但邊緣隻是一堆線條。也會同時在左右和上下兩個方向上產生亮度差，但眼睛、需要對幾百萬張圖片 、最終的錯誤會變大還是變小？

• 如果變小——好 ，就 9 個像素，一個三角形在中間
  ，

  一個現代的人臉識別模型可能有幾百萬到上億個參數。比如 Google 在 2015 年發表的 FaceNet，而發型屬於臉的外圍，處理一下、算出每一個數字對這個錯誤的"貢獻"有多大。

  

  每個像素都有一個顏色，但疊加四五層之後
  ，不能告訴你"這是一隻眼睛"。叫"參數"。

  

  這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，

  那次突破有多震撼？在 ImageNet 圖像識別比賽中
  ，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞 、豎線、

  整個網絡包含 6000 萬個可調整的數字。從左到右顏色在變亮 。

  • 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 ，這些技術讓更深的網絡變得可訓練
  。

  那些檢測器裏的數字，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，

  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，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。是因為上一層的某個檢測器輸出偏了

• 那個檢測器偏了 ，
  有的變成了顏色變化檢測器 。你拿起手機 ，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），排成 3×3：

  10  10  1010  10 20010 200 200

  左上角是深色（數字 10，"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"
 、

電腦用隨機檢測器算出一個結果，它"看到"的是什麽？不是一個水果的畫麵，這些"正確答案"是電腦學習的前提——沒有答案
，

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，

   神奇的事情發生了
   ：那些原本隨機的數字，

   

   "標注好"的意思是
   ：每張圖片都有人告訴你"這是貓" 、發表於 Nature

2. ImageNet: A Large-Scale Hierarchical Image Database - Deng, Dong, Socher, Li, Li, Fei-Fei (2009) — ImageNet 數據集論文
   ，再傳給下一個
   。中間一行全是 0。所以 GPU 特別擅長"同時做很多簡單的計算" 。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 。第一層隻能看到線條，測量臉的立體形狀，無數種光線。訓練這樣一個模型，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，結果是負數（有一條從亮到暗的邊緣）

差異越大，

解決方法是：疊加很多層 。

這就是"學習"的本質：不是有人教了它規則，

給電腦看 1000 張貓的照片和 1000 張狗的照片
，一個管上下——就能找到圖片中任意方向的邊緣 。

這就是電腦"看"圖片的第一步：找到所有顏色突變的位置。檢測更複雜的東西。都不是人類設計的，是為了讓檢測器更關注正中間一行的變化 ，也就是你臉的輪廓。加上"女人"，是從幾百萬張人臉照片中"學"出來的 。每張都貼好標簽——"這是貓"、

你看，才有了 2012 年的突破 。電腦的"大腦"，綠色、把邊緣變成形狀，

疊加
：從線條到人臉

但一層檢測器還不夠
。

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 。汽車

一個新的問題

理解了 AI 怎麽"認人"之後，

三個條件——海量數據 、涵蓋 2 萬多個類別 。檢測器提取出來的數字指紋和你錄入時的差太遠了。打個比方：所有人都在 74 分左右競爭，就叫"深度神經網絡"
 ，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"
。什麽是"眼睛"，一堆線條還不能告訴我們"這是一張臉"
。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。隨機填一組數字 ，而今天的大型模型
，這就形成了一條邊緣 ，

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，隻用加減乘除，接近白色）	。綜合判斷最終結果）	。
重複這個過程幾百萬次。
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，就要比較左右兩邊的亮度"，
有的變成了紋理檢測器。中間有一條從左上到右下的分界線——這就是一條邊緣。第二層找形狀
，每一張都要把所有參數調整一遍	。
而關鍵是

：每一層的檢測器裏的數字
，
這就是電腦"看到"的東西
。就是邊緣。能識別的東西就越複雜
。下巴這些區域的麵部特征被口罩擋住了
，就是"深度學習"
。但核心識別原理——把采集到的數據變成數字、就能得到每個位置的"邊緣強度"和"邊緣方向"
。
這個設計很聰明，會自己變成有意義的檢測器。但永遠覆蓋不了真實世界的複雜性。
這個數字的意思是
：這裏有一條明顯的邊緣，
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、沒有人告訴電腦"要檢測眼睛"，就是一組數字組成的小模板——把它疊到圖片上
，
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	，這可能要算好幾個月甚至幾年
。純白是 255，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。
一個人的臉可以有無數種表情、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
，想分享給你
。而是一堆數字。結果肯定是亂七八糟的
。曲線
第二層檢測器
：把第一層找到的邊緣組合起來
，
實際使用時	
，
這就是 AI 在"看"這件事上卡住了幾十年的地方。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
，
2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU，無數種角度
、直到一個想法改變了一切
：
不要人類來設計檢測器，
怎麽用呢？把檢測器疊放到圖片上，
一堆數字，結果是 0（沒有邊緣）
如果右邊比左邊亮——正數那邊貢獻更大，
這需要大量的計算。但正確答案是"狗"。
這就是"訓練"	。
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
，
但如果我們告訴電腦"正確答案"呢？
就像老師批改作業一樣
。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
、原理完全一樣，叫 Sobel 算子（"算子"就是"計算工具"的意思）	。你會看到一個讓我非常震撼的例子："國王"減去"男人"，數字越小越暗
，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
，人臉識別的學習過程完全一樣
。一層一層往回追溯
，
2009 年	，貓臉	、動輒幾十層、在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild
，
-1  0  1-2  0  2-1  0  1
當它掃描圖片的一個區域時，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，下麵一行全是正數，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
，
讓我用一個具體例子來演示。
但電腦隻看到數字啊
，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，
一個邊緣檢測器隻能告訴你"這裏有一條線"	，它隻是在做加減乘除
：把像素變成邊緣，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。從互聯網上收集的真實場景人臉照片
，
這個困境持續了幾十年，眼睛也是：眼白是淺色的，
一道簡單的數學題
假設我們有一小塊圖片，而不是死記每張圖的細節）。就能看到"臉"了。嘴巴（兩條曲線）
第四層檢測器
：把部件組合成整體——人臉、
邊緣勾勒出了圖片裏"有東西"的地方	
。
還有一些
，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"
，動用了來自 167 個國家的近 5 萬名標注工人，8 層網絡，
如果左右兩邊顏色一樣——正數和負數互相抵消
，
電腦沒有被告知"要檢測邊緣"。讓電腦自己學。
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580	，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，
回到手機人臉識別
現在你知道手機是怎麽認出你的了。它通過層層檢測器從數字中提取特征。瞳孔是深色的	，
至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，第三層找五官部件
，
整個過程不到一秒。
2012 年
，歡迎分享+關注
。其餘全是 0（暗）。讓檢測結果更穩定
。把所有檢測器發現的信息都匯集在一起，擅長一件一件地處理複雜任務）
，幾千萬個參數反複做計算。
這是 「AI是怎麽回事」係列的第 1篇。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，層數越多，把那個數字調大一點
如果變大——反過來	，叫神經網絡	。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，一個很大的正數。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
，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，檢測器關注的主要是五官區域的特征——發型變了
，斜線、越大越亮
。這些可調整的數字，這個係列就是我的探索筆記，
假設電腦要判斷一張圖是貓還是狗。沒有邊緣	
。他們第一次用數學來描述神經元的工作方式。層數很多的神經網絡，"神經網絡"名稱的起源
ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文	
，但原理完全一樣——歸根到底還是數字
。需要給電腦看幾百萬張人臉照片	，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，這些小點叫像素——你把手機照片放大再放大，中間的灰色就是 1 到 254
。參數量更是以億計。6000 萬參數，ChatGPT 回答你的那三秒鍾裏究竟在算什麽
，五官
	、找到了邊緣

，
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，
比如你的臉和背景之間——皮膚是淺色的
，
這種"很多層檢測器疊加"的結構
，Graphics Processing Unit，
不過你可能發現了，神經網絡的概念在 1940 年代就有了

，AI 為什麽能通過律師考試卻會一本正經地撒謊
。
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）。不是圖像，最終這個數據集包含了超過 1400 萬張標注好的圖片，
但文字呢？
當你對 ChatGPT 說"蘋果"
	，把兩個結果綜合起來
，那些數字就會逐漸穩定下來，鼻梁這些區域的數字模式沒變，一張 1000×1000 的照片	，
如果我們換一塊顏色完全相同、
但如果讓電腦自己來選呢

？
假設我們不再指定這 9 個數字，
在此之前	，200 是亮色（接近白色）。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，為什麽這幾個數字能檢測邊緣
？先看看它怎麽用
，"這是狗"	。就能檢測出圖片裏有沒有某種特征。要理解這件事，
最簡單的情況是黑白照片
：純黑是 0
，藍色的強度（也是 0 到 255）。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，"這是狗"、有一個名字
，
讓我用一個簡化的例子來說明。
電腦眼中的照片
要理解手機怎麽"人臉識別"，
3. 算法
AlexNet 還用了幾個關鍵的技術改進。花了大約 5-6 天，就能找到圖片裏顏色變化的地方。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"。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，當時售價 499 美元），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"	
，中間一列全是 0。解鎖。手機往往就不認識你了。你很快就會明白。到達一個"很少出錯"的狀態。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。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊
、5 次都猜錯才算錯）——領先超過 10 個百分點	。鼻子（一個三角形輪廓）、讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。那就是像素
。GPU 算力、它不知道什麽是"臉"、這也是邊緣。
它錯了	。也就無法調整那些數字。反向傳播算法在 1986 年就發表了	。突然有人考了 85 分。在 AI 領域有一個專門的名稱	，識別簡單形狀——圓形	、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	。右下角是淺色（數字 200	，和正確答案對比
：
如果猜對了——不錯
，說明邊緣越明顯	。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
。比如，等於什麽？
參考資料
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
A logical calculus of the ideas immanent in nervous activity - McCulloch & Pitts (1943) — 第一個神經元數學模型，所謂檢測器
，
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	，取名 AlexNet（Alex 的網絡）。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，下麵有一條橫線
，數字越大
，完全不需要知道什麽是"臉"、後續文章也會持續更新
。歡迎關注我
，為了建成 ImageNet，對應位置相乘再相加（這個操作的專業名稱叫"卷積"，戴上口罩，把形狀變成部件
，"這是汽車"	。經過層層計算
，而顏色在電腦裏是用數字表示的
	。所以這幾層叫"卷積層"）。
所以當你拿手機對著自己的臉
，
仔細看這個檢測器的結構：左邊一列全是負數
，
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）。
這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。
2. 算力
訓練一個模型，叫做反向傳播——1986 年由 Rumelhart	、背景可能是深色的，這樣就不會被一張照片騙過去	。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，本質上就是：右邊的亮度 - 左邊的亮度。但換了個發型，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 ，右邊一列全是正數，把那個數字調小一點