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 ，但眼睛、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
   。但原理完全一樣——歸根到底還是數字 。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、

   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，眼睛也是：眼白是淺色的，
   這種"很多層檢測器疊加"的結構，你從來沒想過這件事有什麽特別的
   。手機往往就不認識你了。
   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。就要比較左右兩邊的亮度"
   ，把形狀變成部件，越大越亮
   。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，"這是狗"、
   這就是 AI 的"聰明"	：不是真的理解，需要對幾百萬張圖片
   、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，歡迎關注我
   ，第一層隻能看到線條，參數量更是以億計
   。逼網絡學到更通用的規律，然後全部加起來	。中間一列全是 0。我們先用一個更簡單的任務來說明這個過程——區分貓和狗
   。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，
   整個過程不到一秒
   。擅長一件一件地處理複雜任務），這樣就不會被一張照片騙過去
   	。右下角是淺色（數字 200，但應該是 0%
   
   。圖形處理器）來算。要理解這件事，也就無法調整那些數字
   。貓臉	、加上"女人"，它隻是在做加減乘除
   ：把像素變成邊緣，沒有人花這麽大力氣去收集和標注這麽多圖片
   。但永遠覆蓋不了真實世界的複雜性。
   怎麽用呢？把檢測器疊放到圖片上，這些"正確答案"是電腦學習的前提——沒有答案，
   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，兩個檢測器都會給出非零結果
   
   	。叫"參數"
   。
   不過你可能發現了，突然有人考了 85 分。這個方法叫"反向傳播"，背景可能是深色的，用它來學習的方法，6000 萬參數，有一個名字
   ，
   -1  0  1-2  0  2-1  0  1
   當它掃描圖片的一個區域時	，
   2009 年
   ，用普通電腦的 CPU（中央處理器，
   在此之前	，三角形
   、對應位置的數字相乘，是數字。
   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，電腦的"大腦"，
   每個像素都有一個顏色，
   它錯了。
   仔細看這個檢測器的結構
   ：左邊一列全是負數	
   ，叫做反向傳播——1986 年由 Rumelhart、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	
   ，它專門用來檢測垂直方向的邊緣
   。但邊緣隻是一堆線條
   
   。GPU 訓練神經網絡比 CPU 快約 70 倍。需要給電腦看幾百萬張人臉照片
   ，這可能要算好幾個月甚至幾年。"這是汽車"。它通過層層檢測器從數字中提取特征	。五官
   
   、
   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）。但對所有數字同時做這種微調，這些可調整的數字，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，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，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 ，就能得到每個位置的"邊緣強度"和"邊緣方向"。

   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 ，不是圖像 ，它照樣能解鎖。

     

     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，

     

     "標注好"的意思是：每張圖片都有人告訴你"這是貓"、但換了個發型 ，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，就能看到"臉"了 。

     3. 算法

     AlexNet 還用了幾個關鍵的技術改進 。自己找到了有用的規律。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，而不是死記每張圖的細節） 。人類知道"要檢測垂直邊緣，變成了"這個位置有沒有邊緣"的數字。檢測器關注的主要是五官區域的特征——發型變了，這些小點叫像素——你把手機照片放大再放大
     ，為什麽這幾個數字能檢測邊緣？先看看它怎麽用，綠色、

     這是 「AI是怎麽回事」係列的第 1篇。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） 、

     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，那些數字就會逐漸穩定下來 ，

       那次突破有多震撼？在 ImageNet 圖像識別比賽中，第三層找五官部件，就無法判斷對錯
       ，分給大量網上工人完成的平台），原理完全一樣，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU）
       ，而是把它們變成"空的"——可以填入任何數值：

       ?  ?  ??  ?  ??  ?  ?

       一開始
       ，下麵有一條橫線 ，

       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。

       一個人的臉可以有無數種表情、說明邊緣越明顯
       。

       2. 算力

       訓練一個模型，豎線、

       解決方法是 ：疊加很多層。都不是人類設計的
       ，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。無數種光線 。判斷"這是不是主人的臉"
       。

       一個新的問題

       理解了 AI 怎麽"認人"之後 ，數字越大，

       回到手機人臉識別

       

       現在你知道手機是怎麽認出你的了。檢測更複雜的東西 。找到了邊緣，識別簡單形狀——圓形 、我們來聊這個問題 。每張都貼好標簽——"這是貓" 、本質上就是：右邊的亮度 - 左邊的亮度。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字 
       ，

       疊加：從線條到人臉

       但一層檢測器還不夠 。無數種角度 、中間有一條從左上到右下的分界線——這就是一條邊緣。是因為上一層的某個檢測器輸出偏了

     • 那個檢測器偏了，

       這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。至今已經用了半個多世紀  。比如 Google 在 2015 年發表的 FaceNet ，對每個位置都做一次這樣的計算。

       如果我們換一塊顏色完全相同 、

       電腦沒有被告知"要檢測邊緣"。

       假設電腦要判斷一張圖是貓還是狗。當時售價 499 美元），為了建成 ImageNet，什麽是"鼻子" 。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"。不能告訴你"這是一隻眼睛"。你拿起手機，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，所以這幾層叫"卷積層"） 。嘴巴（兩條曲線）
     • 第四層檢測器 ：把部件組合成整體——人臉、從左到右顏色在變亮。

       手機不知道什麽是眼睛、

       

       這就是 AI 在"看"這件事上卡住了幾十年的地方。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"。所以 GPU 特別擅長"同時做很多簡單的計算" 。

一道簡單的數學題

假設我們有一小塊圖片，沒有邊緣 。測量臉的立體形狀，從互聯網上收集的真實場景人臉照片 ，後續文章也會持續更新。一個很大的正數 。一層一層往回追溯，花了大約 5-6 天 
，

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、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、最終這個數據集包含了超過 1400 萬張標注好的圖片，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，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。就能找到圖片裏顏色變化的地方。鼻子（一個三角形輪廓）、一個三角形在中間，但正確答案是"狗"。沒有人告訴電腦"要檢測眼睛"，訓練出了 AlexNet
  。

  這就是"訓練" 。
  有的變成了顏色變化檢測器。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。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，動輒幾十層 、隻是方向變了
     ：它比較的是"下麵的亮度 - 上麵的亮度" 。

     電腦眼中的照片

     要理解手機怎麽"人臉識別"，一個管上下——就能找到圖片中任意方向的邊緣。

     不過你可能注意過一個奇怪的事 ：在幾年前 ，

     整個網絡包含 6000 萬個可調整的數字。所以選擇了這樣的數字組合。把邊緣變成形狀，

     這個設計很聰明，

     反向傳播做的事情是
     ：從最後的錯誤出發，它輸出"60% 可能是貓" ，結果肯定是亂七八糟的。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
      ，

     但文字呢 
     ？

     當你對 ChatGPT 說"蘋果"，旗艦模型超過 1 億個參數，動用了來自 167 個國家的近 5 萬名標注工人，

     2012 年，而顏色在電腦裏是用數字表示的
     。發表於 Nature

  3. ImageNet: A Large-Scale Hierarchical Image Database - Deng, Dong, Socher, Li, Li, Fei-Fei (2009) — ImageNet 數據集論文 ，把所有檢測器發現的信息都匯集在一起 ，想分享給你。取名 AlexNet（Alex 的網絡） 。下麵一行全是正數
     ，層層加工"的計算結構 。即可訂閱
     。就能看到一個個小方塊，歡迎分享+關注
     。藍色的強度（也是 0 到 255）。

     這就是電腦"看到"的東西
     。錯了多少？差了很多——它說 60% 是貓 ，

     那些檢測器裏的數字，神經網絡的概念在 1940 年代就有了 ，200 是亮色（接近白色）。就是"深度學習" 。

     這就是電腦"看"圖片的第一步：找到所有顏色突變的位置
     。也就是你臉的輪廓
     。

     但如果讓電腦自己來選呢 ？

     假設我們不再指定這 9 個數字，就叫"深度神經網絡"，打個比方 ：所有人都在 74 分左右競爭 ，解鎖。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，讓電腦自己學 。

     重複這個過程幾百萬次 。

     讓我用一個簡化的例子來說明
     。上百層，把那個數字調大一點

  4. 如果變大——反過來 ，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，

現在我用一個"檢測器"來掃描它。隻用加減乘除，是為了讓檢測器更關注正中間一行的變化 ，中間一行全是 0。哪怕是一條 45° 的斜線，"測量鼻子的位置"