結果肯定是到底亂七八糟的。數字越大，聪明从手側臉怎麽辦？机人戴帽子怎麽辦？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，

2009 年，脸识動輒幾十層、别说就能得到每個位置的到底"邊緣強度"和"邊緣方向"。結果是聪明从手 0（沒有邊緣）

如果右邊比左邊亮——正數那邊貢獻更大，遊戲畫麵需要同時計算屏幕上幾百萬個像素的机人顏色，什麽是脸识鼻子。但正確答案是别说"狗"。我後麵會專門講。到底
但文字呢？聪明从手
當你對 ChatGPT 說"蘋果" ，現在一些新手機即使戴口罩也能解鎖——那是机人因為廠商後來專門用大量戴口罩的照片重新訓練了模型，訓練出了 AlexNet 。脸识"測量鼻子的别说位置"

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"、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，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，檢測器關注的主要是五官區域的特征——發型變了，直到一個想法改變了一切：

不要人類來設計檢測器，

這就是電腦"看到"的東西。

這個設計很聰明，人類知道"要檢測垂直邊緣，那些數字就會逐漸穩定下來，不能告訴你"這是一隻眼睛"。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，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，"這是狗" 。
一個人的臉可以有無數種表情、
你看，

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，把邊緣變成形狀，這就形成了一條邊緣，把兩個結果綜合起來，層數越多，比如 Google 在 2015 年發表的 FaceNet，都是黑色線框" loading="lazy">

比如你的臉和背景之間——皮膚是淺色的，

怎麽用呢？把檢測器疊放到圖片上，建議零售價 $499

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" ，而今天的大型模型，
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，它有 8 層。這樣就不會被一張照片騙過去。但換了個發型，解鎖。電腦的"大腦" ，但邊緣隻是一堆線條。它通過層層檢測器從數字中提取特征。變成了"這個位置有沒有邊緣"的數字。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，就能找到圖片裏顏色變化的地方。每一張都要把所有參數調整一遍。也就是你臉的輪廓。而不是死記每張圖的細節）。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，說明邊緣越明顯。表情——這些讓一張臉變得獨特的要素。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。保持

如果猜錯了——調整那 9 個數字 ，參數量更是以億計。想分享給你。
這需要大量的計算。自己找到了有用的規律。
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，
邊緣勾勒出了圖片裏"有東西"的地方。
回到手機人臉識別
現在你知道手機是怎麽認出你的了。
但電腦隻看到數字啊，會自己變成有意義的檢測器。所以選擇了這樣的數字組合。
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。

如果左右兩邊顏色一樣——正數和負數互相抵消，而發型屬於臉的外圍，和正確答案對比：
- 如果猜對了——不錯，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）、從 1.6 億張候選圖片中篩選和標注。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。曲線
- 第二層檢測器：把第一層找到的邊緣組合起來，
  這就是"訓練"。三角形、下麵一行全是正數，就有 100 萬個像素。
  整個過程不到一秒。每張都貼好標簽——"這是貓"、這些可調整的數字，兩個檢測器都會給出非零結果。把所有檢測器發現的信息都匯集在一起，
  疊加：從線條到人臉
  但一層檢測器還不夠。重複幾百萬次之後，要理解這件事，鼻梁這些區域的數字模式沒變，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，
  一道簡單的數學題
  假設我們有一小塊圖片，比如，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），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，擅長一件一件地處理複雜任務），AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。就能看到一個個小方塊，右下角是淺色（數字 200，
在此之前，突然有人考了 85 分。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，從左到右顏色在變亮。
一個邊緣檢測器隻能告訴你"這裏有一條線"，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。
每個像素都有一個顏色，
這個數字的意思是：這裏有一條明顯的邊緣，現在你隻需要知道：電腦有辦法算出調整的方向和幅度。
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"。層數很多的神經網絡，對每個位置都做一次這樣的計算。斜線、但應該是 0%。不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。把部件變成一組代表你這張臉的數字，讓下次更可能猜對

怎麽調整？不是隨機亂調，

那些檢測器裏的數字，即可訂閱。你拿起手機，錯了多少？差了很多——它說 60% 是貓，

現在我用一個"檢測器"來掃描它。把形狀變成部件，

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）。你會看到一個讓我非常震撼的例子："國王"減去"男人" ，

給電腦看 1000 張貓的照片和 1000 張狗的照片，到達一個"很少出錯"的狀態。第二層找形狀，然後比較兩組數字有多接近。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、圖形處理器）來算。純白是 255，

假設電腦要判斷一張圖是貓還是狗。

而關鍵是：每一層的檢測器裏的數字，算出每一個數字對這個錯誤的"貢獻"有多大。手機往往就不認識你了。是數字。他們第一次用數學來描述神經元的工作方式。但永遠覆蓋不了真實世界的複雜性。

一個新的問題

理解了 AI 怎麽"認人"之後，對應位置的數字相乘，嘴巴（兩條曲線）

第四層檢測器：把部件組合成整體——人臉、測量臉的立體形狀，沒有人告訴電腦"要檢測眼睛" ，叫 Sobel 算子（"算子"就是"計算工具"的意思）。
它錯了。中間有一條從左上到右下的分界線——這就是一條邊緣。一個管上下——就能找到圖片中任意方向的邊緣。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，第一層隻能看到線條，
電腦沒有被告知"要檢測邊緣"。識別簡單形狀——圓形、它隻是在做加減乘除：把像素變成邊緣，
彩色照片稍微複雜一點：每個像素需要三個數字，就是邊緣。在 AI 領域有一個專門的名稱，所以還能匹配上。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，隻用加減乘除，豎線、

"標注好"的意思是：每張圖片都有人告訴你"這是貓" 、它"看到"的是什麽？不是一個水果的畫麵，處理一下、

神奇的事情發生了：那些原本隨機的數字，

3. 算法

AlexNet 還用了幾個關鍵的技術改進。中間一列全是 0。本質上就是：右邊的亮度 - 左邊的亮度。"神經網絡"名稱的起源

ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，人臉識別的學習過程完全一樣。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。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），
還有一些，
2. 算力
訓練一個模型，於是花了很長時間去拆這個東西——手機為什麽換了發型還能認出你，證明在特定任務上，就是一組數字組成的小模板——把它疊到圖片上，下麵有一條橫線，判斷"這是不是主人的臉"。
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，
但如果讓電腦自己來選呢？
假設我們不再指定這 9 個數字，就要比較左右兩邊的亮度"，
解決方法是：疊加很多層。"這是狗"、歡迎關注我，五官、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，有一個名字，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。沒有邊緣。下巴這些區域的麵部特征被口罩擋住了，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，對應位置相乘再相加（這個操作的專業名稱叫"卷積"，叫神經網絡。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，發現了很多有意思的東西，但疊加四五層之後，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，說明邊緣越明顯。不是圖像，數字大的地方，無數種角度、一層一層往回追溯，這也是邊緣。這個檢測器會在整張圖片上一格一格地滑動，上百層，什麽是"眼睛"，我們先用一個更簡單的任務來說明這個過程——區分貓和狗。但核心識別原理——把采集到的數據變成數字、
這就是"學習"的本質：不是有人教了它規則，涵蓋 2 萬多個類別。
這就是 AI 在"看"這件事上卡住了幾十年的地方。AI 為什麽能通過律師考試卻會一本正經地撒謊。但原理完全一樣——歸根到底還是數字。沒有人花這麽大力氣去收集和標注這麽多圖片。越大越亮。後續文章也會持續更新。
有的變成了紋理檢測器。這些"正確答案"是電腦學習的前提——沒有答案，貓臉、
但如果我們告訴電腦"正確答案"呢？
就像老師批改作業一樣。完全不需要知道什麽是"臉"、也就無法調整那些數字。我一直很好奇 AI 到底是怎麽工作的，當時售價 499 美元），右邊一列全是正數，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，6000 萬參數，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，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，
不過你可能發現了，原理完全一樣，是電腦自己從數據裏學出來的。
這種"很多層檢測器疊加"的結構，檢測器提取出來的數字指紋和你錄入時的差太遠了。
比如下麵這個 5×5 的小圖：
在電腦裏，最終的錯誤會變大還是變小？
如果變小——好，GPU 算力、
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）。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，就是"深度學習"。什麽是"眼睛" 。叫"參數" 。為了建成 ImageNet，
2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU ，
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，檢測更複雜的東西。
這就是電腦"看"圖片的第一步：找到所有顏色突變的位置。所以這幾層叫"卷積層"）。
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，背景可能是深色的，訓練這樣一個模型，就無法判斷對錯，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"，而顏色在電腦裏是用數字表示的。之所以叫這個名字，一張 1000×1000 的照片，加上"女人" ，用它來學習的方法，你從來沒想過這件事有什麽特別的。GPU 訓練神經網絡比 CPU 快約 70 倍。不過你可能注意過一個奇怪的事：在幾年前，但對所有數字同時做這種微調，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。別擔心，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，所以 GPU 特別擅長"同時做很多簡單的計算" 。"這是汽車"。幾千萬個參數反複做計算。最終這個數據集包含了超過 1400 萬張標注好的圖片，為什麽沒有更早實現？事實上，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，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，眼睛也是：眼白是淺色的，戴上口罩，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，這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。把那個數字調大一點如果變大——反過來，讓我用一個簡化的例子來說明。中間一行全是 0。三個條件——海量數據、它照樣能解鎖。就能看到"臉"了。也會同時在左右和上下兩個方向上產生亮度差，一堆線條還不能告訴我們"這是一張臉"。反向傳播算法在 1986 年就發表了。經過層層計算，那次突破有多震撼？在 ImageNet 圖像識別比賽中，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，接近黑色），手機不知道什麽是眼睛、5 次都猜錯才算錯）——領先超過 10 個百分點。逼網絡學到更通用的規律，所謂檢測器，花了大約 5-6 天，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，從互聯網上收集的真實場景人臉照片，找到了邊緣，神經網絡的概念在 1940 年代就有了，反向傳播做的事情是：從最後的錯誤出發，有的變成了顏色變化檢測器。它專門用來檢測垂直方向的邊緣。這個困境持續了幾十年，這是「AI是怎麽回事」係列的第 1篇。它不知道什麽是"臉" 、一個很大的正數。實際使用時，數字越小越暗，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，200 是亮色（接近白色）。綠色、是從幾百萬張人臉照片中"學"出來的。這些小點叫像素——你把手機照片放大再放大，哪怕是一條 45° 的斜線，這就是 AI 的"聰明" ：不是真的理解，能識別的東西就越複雜。重複這個過程幾百萬次。這可能要算好幾個月甚至幾年。算法改進——同時到位，電腦眼中的照片要理解手機怎麽"人臉識別"，用普通電腦的 CPU（中央處理器，動用了來自 167 個國家的近 5 萬名標注工人，什麽是"鼻子" 。旗艦模型超過 1 億個參數，一堆數字，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。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" 、但也很簡單——本質就是"比較左右兩邊的亮度差"。至今已經用了半個多世紀。看一眼屏幕，它輸出"60% 可能是貓" ，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，如果我們換一塊顏色完全相同、為什麽？先別急著回答。這個方法叫"反向傳播"， -1 0 1-2 0 2-1 0 1 當它掃描圖片的一個區域時，第三層找五官部件，而是它從大量的對錯反饋中，隨機填一組數字，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。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，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，就 9 個像素，才有了 2012 年的突破。結果的數字越大（不管是正還是負），再傳給下一個。Graphics Processing Unit ，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"。我們來聊這個問題。就能檢測出圖片裏有沒有某種特征。那就是像素。你就找到了輪廓、但眼睛、它自己發現了"檢測邊緣有助於區分貓和狗"。分別表示紅色、分給大量網上工人完成的平台），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，是因為上一層的某個檢測器輸出偏了
那個檢測器偏了，然後全部加起來。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、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，
讓我用一個具體例子來演示。
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，需要給電腦看幾百萬張人臉照片，你很快就會明白。取名 AlexNet（Alex 的網絡）。綜合判斷最終結果）。是為了讓檢測器更關注正中間一行的變化，為什麽這幾個數字能檢測邊緣？先看看它怎麽用，
仔細看這個檢測器的結構：左邊一列全是負數，
讓我把完整的過程串起來：
采集麵部數據：手機用攝像頭和傳感器采集你的麵部信息，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。把那個數字調小一點
每次調整的幅度都很小（比如 0.001），
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、
GPU 原本是用來生成（渲染）遊戲畫麵的。
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，其餘全是 0（暗）。叫做反向傳播——1986 年由 Rumelhart、排成 3×3：
10 10 1010 10 20010 200 200
左上角是深色（數字 10，
這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，而是把它們變成"空的"——可以填入任何數值：
? ? ?? ? ?? ? ?
一開始，結果是負數（有一條從亮到暗的邊緣）
差異越大，這個係列就是我的探索筆記，
最簡單的情況是黑白照片：純黑是 0 ，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，而是一堆數字。
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。8 層網絡，需要對幾百萬張圖片、隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"。
一個現代的人臉識別模型可能有幾百萬到上億個參數。