解決方法是到底 ：疊加很多層
。之所以叫這個名字 
 ，聪明从手它自己發現了"檢測邊緣有助於區分貓和狗"
。机人說明邊緣越明顯 。脸识取名 AlexNet（Alex 的别说網絡） 。汽車

像素 → 邊緣 → 形狀 → 部件 → 整體

每一層都是到底在上一層的基礎上，"這是聪明从手狗"
。把形狀變成部件 ，机人

你看 ，脸识你會看到一個讓我非常震撼的别说例子："國王"減去"男人" ，下巴這些區域的到底麵部特征被口罩擋住了，涵蓋 2 萬多個類別 。聪明从手所以這幾層叫"卷積層"）。机人

在此之前，脸识

核心突破 ：讓電腦自己學

還記得前麵的别说 Sobel 算子嗎？

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

這 9 個數字是人類設計的
。什麽是"眼睛"，這些"正確答案"是電腦學習的前提——沒有答案 ，

神奇的事情發生了：那些原本隨機的數字，用普通電腦的 CPU（中央處理器，說明邊緣越明顯。分給大量網上工人完成的平台），打個比方：所有人都在 74 分左右競爭，需要給電腦看幾百萬張人臉照片
，

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 ，它通過層層檢測器從數字中提取特征。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域 。"這是汽車" 
  。而是它從大量的對錯反饋中，它照樣能解鎖。就叫"深度神經網絡"，層層加工"的計算結構 。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，而是把它們變成"空的"——可以填入任何數值：

  ?  ?  ??  ?  ??  ?  ?

  一開始，是從幾百萬張人臉照片中"學"出來的
  。層數很多的神經網絡，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊 、訓練出了 AlexNet。兩個檢測器都會給出非零結果 。

  這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。8 層網絡，發現了很多有意思的東西，層數越多
  ，就能看到一個個小方塊 ，上百層 ，

  一個現代的人臉識別模型可能有幾百萬到上億個參數。神經網絡的概念在 1940 年代就有了，讓下次更可能猜對

怎麽調整  ？不是隨機亂調
，然後比較兩組數字有多接近
。

2. 算力

訓練一個模型，這就形成了一條邊緣，

• 如果左右兩邊顏色一樣——正數和負數互相抵消 ，把邊緣變成形狀，經過層層計算 ，

  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，就能檢測出圖片裏有沒有某種特征。

  讓我用一個具體例子來演示。都是黑色線框" loading="lazy">

  比如你的臉和背景之間——皮膚是淺色的 ，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞 、結果肯定是亂七八糟的。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，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，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"，五官、中間一行全是 0。

  但文字呢？

  當你對 ChatGPT 說"蘋果"，是電腦自己從數據裏學出來的 。

  一個人的臉可以有無數種表情、而顏色在電腦裏是用數字表示的
  。

  這就是 AI 的"聰明"
   ：不是真的理解
  ，什麽是"鼻子" 。
  有的變成了紋理檢測器。但眼睛 、

  它錯了 。訓練這樣一個模型
  ，斜線 、至今已經用了半個多世紀。但疊加四五層之後，就能看到"臉"了。重複幾百萬次之後
  ，

  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 。也就是你臉的輪廓。

  • 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 ，這些小點叫像素——你把手機照片放大再放大，

  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"學習"的本質
  ：不是有人教了它規則
  ，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，而不是死記每張圖的細節）  。

  

  每天早上，為了建成 ImageNet，貓臉 、分別表示紅色、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 ，

  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） 。人類知道"要檢測垂直邊緣，哪怕是一條 45° 的斜線
  ，無數種光線 。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。GPU 算力、它專門用來檢測垂直方向的邊緣 。但邊緣隻是一堆線條 。但永遠覆蓋不了真實世界的複雜性。沒有人告訴電腦"要檢測眼睛"，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，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你 。變成了"這個位置有沒有邊緣"的數字 。什麽是"眼睛"
  。對應位置相乘再相加（這個操作的專業名稱叫"卷積"，解鎖 。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，有一個名字 ，藍色的強度（也是 0 到 255）
  。

  

  這就是 AI 在"看"這件事上卡住了幾十年的地方 。

  仔細看這個檢測器的結構 ：左邊一列全是負數 ，建議零售價 $499

訂閱

如果覺得有意思
，擅長一件一件地處理複雜任務），

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） 。"這是狗" 、

一道簡單的數學題

假設我們有一小塊圖片 ，他們第一次用數學來描述神經元的工作方式 。
有的變成了顏色變化檢測器。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，會自己變成有意義的檢測器 。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
  ，不能告訴你"這是一隻眼睛"。

  這種"很多層檢測器疊加"的結構 ，

  疊加：從線條到人臉

  但一層檢測器還不夠。GPU 訓練神經網絡比 CPU 快約 70 倍 。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，結果的數字越大（不管是正還是負）
  ，"神經網絡"名稱的起源

• ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，中間的灰色就是 1 到 254
  。下麵有一條橫線，等於什麽？

  參考資料

  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，

     反向傳播做的事情是：從最後的錯誤出發，也就無法調整那些數字
     。它輸出"60% 可能是貓"，旗艦模型超過 1 億個參數，而今天的大型模型 
     ，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色
      ，

     

     每個像素都有一個顏色 ，

     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 ，從互聯網上收集的真實場景人臉照片，對應位置的數字相乘，6000 萬參數 ，也會同時在左右和上下兩個方向上產生亮度差，

       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 ，這些可調整的數字，這個方法叫"反向傳播"，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），動用了來自 167 個國家的近 5 萬名標注工人，

       這個設計很聰明 ，

       這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置 。

       這需要大量的計算 。

       

       "標注好"的意思是：每張圖片都有人告訴你"這是貓"、算法改進——同時到位，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 。讓電腦自己學。

       整個過程不到一秒。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
       。斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。即可訂閱。這個檢測器會在整張圖片上一格一格地滑動，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
       ，然後全部加起來  。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字 ，不是圖像 ，能識別的東西就越複雜。叫做反向傳播——1986 年由 Rumelhart 、突然有人考了 85 分 。這些技術讓更深的網絡變得可訓練。所以 GPU 特別擅長"同時做很多簡單的計算"  。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 
       、它"看到"的是什麽？不是一個水果的畫麵，歡迎分享+關注。

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

       當它掃描圖片的一個區域時 ，把那個數字調大一點

     • 如果變大——反過來
       ，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
        。

       讓我用一個簡化的例子來說明。綜合判斷最終結果）。結果是負數（有一條從亮到暗的邊緣）

     差異越大，

     2012 年
     ，AI 為什麽能通過律師考試卻會一本正經地撒謊。

     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。反向傳播算法在 1986 年就發表了 。

     一個邊緣檢測器隻能告訴你"這裏有一條線" ，這可能要算好幾個月甚至幾年。比如 ，曲線

  3. 第二層檢測器  ：把第一層找到的邊緣組合起來，表情——這些讓一張臉變得獨特的要素 。數字越小越暗，但對所有數字同時做這種微調，

     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  ，top-5 錯誤率 15.3%

  4. AlexNet - Wikipedia — AlexNet 架構細節與參數量
  5. FaceNet: A Unified Embedding for Face Recognition and Clustering - Schroff, Kalenichenko, Philbin (2015) — Google 的人臉識別模型，

     至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大 ，我們來聊這個問題。接近黑色）
     ，隻用加減乘除
     ，我們先用一個更簡單的任務來說明這個過程——區分貓和狗 
     。

     電腦眼中的照片

     要理解手機怎麽"人臉識別"，背景可能是深色的，

     一個新的問題

     理解了 AI 怎麽"認人"之後，綠色、而發型屬於臉的外圍，叫神經網絡 。三角形、把部件變成一組代表你這張臉的數字，判斷"這是不是主人的臉" 。沒有邊緣
     。那可能是一張臉"

  6. 有人試著提取更複雜的特征 ："檢測眼睛的形狀" 、

     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，第三層找五官部件，叫"參數"。把那個數字調小一點

每次調整的幅度都很小（比如 0.001），豎線、LFW 準確率 99.63%

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	，就要比較左右兩邊的亮度"
，就能得到每個位置的"邊緣強度"和"邊緣方向"
。
給電腦看 1000 張貓的照片和 1000 張狗的照片，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，把所有檢測器發現的信息都匯集在一起
，當時售價 499 美元），
電腦沒有被告知"要檢測邊緣"

。把兩個結果綜合起來
，
不過你可能發現了
，就無法判斷對錯，在 AI 領域有一個專門的名稱
，戴上口罩	，參數量更是以億計。這也是邊緣。一堆線條還不能告訴我們"這是一張臉"。最終這個數據集包含了超過 1400 萬張標注好的圖片，花了大約 5-6 天，動輒幾十層、識別簡單形狀——圓形、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	，比如 Google 在 2015 年發表的 FaceNet，
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、保持
如果猜錯了——調整那 9 個數字
，接近白色）
。結果是 0（沒有邊緣）
如果右邊比左邊亮——正數那邊貢獻更大，要理解這件事	，每張都貼好標簽——"這是貓"、中間一列全是 0。200 是亮色（接近白色）
。叫 Sobel 算子（"算子"就是"計算工具"的意思）。手機往往就不認識你了。
3. 算法
AlexNet 還用了幾個關鍵的技術改進。就能找到圖片裏顏色變化的地方。就是"深度學習"。
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，人臉識別的學習過程完全一樣	。
三個條件——海量數據
、5 次都猜錯才算錯）——領先超過 10 個百分點
。算出每一個數字對這個錯誤的"貢獻"有多大。為什麽這幾個數字能檢測邊緣？先看看它怎麽用
，對每個位置都做一次這樣的計算。但原理完全一樣——歸根到底還是數字
。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
，找到了邊緣，我一直很好奇 AI 到底是怎麽工作的，
回到手機人臉識別
現在你知道手機是怎麽認出你的了。再傳給下一個。排成 3×3
	：
10  10  1010  10 20010 200 200
左上角是深色（數字 10
，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"。眼睛也是
：眼白是淺色的
，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
，檢測更複雜的東西

。最終的錯誤會變大還是變小？
如果變小——好，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
，就是一組數字組成的小模板——把它疊到圖片上，
這就是"訓練"。但也很簡單——本質就是"比較左右兩邊的亮度差"
。"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"、看一眼屏幕，需要對幾百萬張圖片、
這個數字的意思是
：這裏有一條明顯的邊緣

，完全不需要知道什麽是"臉"、都不是人類設計的，
重複這個過程幾百萬次
	。一個很大的正數。圖形處理器）來算	。右下角是淺色（數字 200，中間有一條從左上到右下的分界線——這就是一條邊緣。
所以當你拿手機對著自己的臉
，你就找到了輪廓
、一種讓深層網絡更容易訓練的數學技巧（叫 ReLU）
，讓檢測結果更穩定。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
、瞳孔是深色的
，
2009 年，錯了多少？差了很多——它說 60% 是貓，就有 100 萬個像素	
。從 1.6 億張候選圖片中篩選和標注
。測量臉的立體形狀
，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，它隻是在做加減乘除
：把像素變成邊緣，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，
整個網絡包含 6000 萬個可調整的數字
。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。但換發型還能認出來	？
因為口罩遮住了臉的下半部分——嘴巴	
、每一張都要把所有參數調整一遍
。所謂檢測器，想分享給你。用它來學習的方法，一張 1000×1000 的照片
，
2012 年的突破用了一個聰明的辦法
：用遊戲顯卡（GPU，我後麵會專門講。
彩色照片稍微複雜一點：每個像素需要三個數字，是因為上一層的某個檢測器輸出偏了
那個檢測器偏了

，所以選擇了這樣的數字組合。嘴巴（兩條曲線）
第四層檢測器：把部件組合成整體——人臉、和正確答案對比
：
如果猜對了——不錯
，
而關鍵是：每一層的檢測器裏的數字，
這個困境持續了幾十年
，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"。覺得不錯的話，
如果我們換一塊顏色完全相同
、但核心識別原理——把采集到的數據變成數字	、其餘全是 0（暗）
。
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580	，一個三角形在中間，Graphics Processing Unit，數字大的地方
，什麽是鼻子。為什麽？
先別急著回答。檢測器提取出來的數字指紋和你錄入時的差太遠了
。你很快就會明白

。才有了 2012 年的突破。
假設電腦要判斷一張圖是貓還是狗。它有 8 層。一層一層往回追溯
，就 9 個像素，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。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	，無數種角度、
但如果讓電腦自己來選呢？
假設我們不再指定這 9 個數字，下麵一行全是正數	，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"
	，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。
比如下麵這個 5×5 的小圖：
在電腦裏
，
最簡單的情況是黑白照片：純黑是 0	
，
還有一些
，
但電腦隻看到數字啊，
怎麽用呢
？把檢測器疊放到圖片上	
，自己找到了有用的規律
。
但如果我們告訴電腦"正確答案"呢
？
就像老師批改作業一樣。
實際使用時，
不過你可能注意過一個奇怪的事：在幾年前
，但換了個發型，而是一堆數字。
GPU 原本是用來生成（渲染）遊戲畫麵的	。第一層隻能看到線條
，一個管上下——就能找到圖片中任意方向的邊緣。
電腦用隨機檢測器算出一個結果，
那次突破有多震撼？在 ImageNet 圖像識別比賽中，電腦的"大腦"，別擔心，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
，
一堆數字，為什麽沒有更早實現

？
事實上，本質上就是：右邊的亮度 - 左邊的亮度
。
這是 「AI是怎麽回事」係列的第 1篇。斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文	，
現在我用一個"檢測器"來掃描它。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
，
這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文
，原理完全一樣
，那些數字就會逐漸穩定下來
，後續文章也會持續更新。
手機不知道什麽是眼睛	、你從來沒想過這件事有什麽特別的。越大越亮。現在你隻需要知道：電腦有辦法算出調整的方向和幅度	。
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	，你拿起手機，加上"女人"，這個係列就是我的探索筆記，右邊一列全是正數，鼻子（一個三角形輪廓）
	、隻是方向變了
：它比較的是"下麵的亮度 - 上麵的亮度"。檢測器關注的主要是五官區域的特征——發型變了，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，
邊緣勾勒出了圖片裏"有東西"的地方	。數字越大
，處理一下、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
，
這就是電腦"看到"的東西。第二層找形狀，隨機填一組數字，這樣就不會被一張照片騙過去。