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。49000 名標注工人來自 167 個國家

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，比如 ，而是一堆數字 。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
，就能得到每個位置的"邊緣強度"和"邊緣方向"。每張都貼好標簽——"這是貓"、所以還能匹配上。是電腦自己從數據裏學出來的。後續文章也會持續更新 。戴上口罩 ，那些數字就會逐漸穩定下來，證明在特定任務上，手機往往就不認識你了 。看一眼屏幕，

這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。變成了"這個位置有沒有邊緣"的數字
。重複幾百萬次之後
，而是把它們變成"空的"——可以填入任何數值：

?  ?  ??  ?  ??  ?  ?

一開始 ，但換了個發型 ，它不知道什麽是"臉"
、你會看到一個讓我非常震撼的例子 ："國王"減去"男人"  ，

假設電腦要判斷一張圖是貓還是狗 。

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。那就是像素 。就是"深度學習"。能識別的東西就越複雜。就叫"深度神經網絡"，但也很簡單——本質就是"比較左右兩邊的亮度差"。錯了多少？差了很多——它說 60% 是貓，但眼睛 、最終的錯誤會變大還是變小
？

• 如果變小——好，什麽是鼻子 。

  2012 年，取名 AlexNet（Alex 的網絡）。人類知道"要檢測垂直邊緣，從左到右顏色在變亮  。結果肯定是亂七八糟的 。6000 萬參數，

  如果我們換一塊顏色完全相同、無數種光線
  。一張 1000×1000 的照片 ，曲線

• 第二層檢測器 ：把第一層找到的邊緣組合起來 ，三角形 、一個很大的正數。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、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。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。

  這需要大量的計算 。

  它錯了 。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"、接近黑色）
  ，

  邊緣勾勒出了圖片裏"有東西"的地方。

  這種"很多層檢測器疊加"的結構，所以選擇了這樣的數字組合 。

  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，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" ，

  解決方法是：疊加很多層。層數越多 ，第二層找形狀，排成 3×3：

  10  10  1010  10 20010 200 200

  左上角是深色（數字 10，打個比方：所有人都在 74 分左右競爭
  ，我後麵會專門講
  。瞳孔是深色的 
  ，旗艦模型超過 1 億個參數 ，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，這些"正確答案"是電腦學習的前提——沒有答案，

  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，覺得不錯的話，豎線
    、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
    。隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"。參數量更是以億計。幾千萬個參數反複做計算。

    手機不知道什麽是眼睛、把那個數字調小一點

  每次調整的幅度都很小（比如 0.001）  ，要理解這件事，這個方法叫"反向傳播"，
  有的變成了顏色變化檢測器。建議零售價 $499

訂閱

如果覺得有意思，右下角是淺色（數字 200，

3. 算法

AlexNet 還用了幾個關鍵的技術改進 。不是圖像，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，這個檢測器會在整張圖片上一格一格地滑動，說明邊緣越明顯。檢測器提取出來的數字指紋和你錄入時的差太遠了
   。就能看到一個個小方塊，

   最簡單的情況是黑白照片：純黑是 0 ，有一個名字，對每個位置都做一次這樣的計算。處理一下、

   • 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 ，它"看到"的是什麽？不是一個水果的畫麵，圖形處理器）來算 。斜線、

   神奇的事情發生了：那些原本隨機的數字，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，綜合判斷最終結果）
   。top-5 錯誤率 15.3%

3. AlexNet - Wikipedia — AlexNet 架構細節與參數量
4. FaceNet: A Unified Embedding for Face Recognition and Clustering - Schroff, Kalenichenko, Philbin (2015) — Google 的人臉識別模型，結果是 0（沒有邊緣）
5. 如果右邊比左邊亮——正數那邊貢獻更大 ，

   Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580 ，

   這就是電腦"看到"的東西
   。它隻是在做加減乘除 ：把像素變成邊緣，中間有一條從左上到右下的分界線——這就是一條邊緣。每一張都要把所有參數調整一遍 。算出每一個數字對這個錯誤的"貢獻"有多大。AI 為什麽能通過律師考試卻會一本正經地撒謊。

   但如果讓電腦自己來選呢
   ？

   假設我們不再指定這 9 個數字，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） ，把那個數字調大一點

6. 如果變大——反過來，但永遠覆蓋不了真實世界的複雜性。

   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，

     2009 年 ，純白是 255 ，嘴巴（兩條曲線）

   • 第四層檢測器 ：把部件組合成整體——人臉 、但原理完全一樣——歸根到底還是數字 。電腦的"大腦"
     ，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色 ，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域
     。

     一個新的問題

     理解了 AI 怎麽"認人"之後，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，直到一個想法改變了一切 ：

     不要人類來設計檢測器，訓練這樣一個模型
     ，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） 、

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

     當它掃描圖片的一個區域時
     ，

     這就是"訓練"。對應位置相乘再相加（這個操作的專業名稱叫"卷積"，貓臉、這些可調整的數字，擅長一件一件地處理複雜任務），隻用加減乘除，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、對應位置的數字相乘，

     電腦用隨機檢測器算出一個結果，到達一個"很少出錯"的狀態。

     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、讓下次更可能猜對

     怎麽調整？不是隨機亂調，哪怕是一條 45° 的斜線 ，動用了來自 167 個國家的近 5 萬名標注工人 ，我一直很好奇 AI 到底是怎麽工作的 ，從 1.6 億張候選圖片中篩選和標注 。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"
。綠色 、

這就是"學習"的本質
：不是有人教了它規則，

讓我用一個具體例子來演示。

一道簡單的數學題

假設我們有一小塊圖片，至今已經用了半個多世紀。

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） 。就是一組數字組成的小模板——把它疊到圖片上，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，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，這個係列就是我的探索筆記，就有 100 萬個像素 。

  

  

  GPU 原本是用來生成（渲染）遊戲畫麵的。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，就要比較左右兩邊的亮度"，別擔心 
  ，下麵一行全是正數 ，沒有人花這麽大力氣去收集和標注這麽多圖片。

  不過你可能注意過一個奇怪的事 ：在幾年前，

  整個過程不到一秒。也會同時在左右和上下兩個方向上產生亮度差，為什麽 ？

  先別急著回答 。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
  ，把所有檢測器發現的信息都匯集在一起，想分享給你。完全不需要知道什麽是"臉"  、5 次都猜錯才算錯）——領先超過 10 個百分點。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。而發型屬於臉的外圍，

  這就是 AI 的"聰明" ：不是真的理解
  ，8 層網絡
  ，

  那次突破有多震撼 ？在 ImageNet 圖像識別比賽中，在 AI 領域有一個專門的名稱
  ，他們第一次用數學來描述神經元的工作方式。一層一層往回追溯，一堆線條還不能告訴我們"這是一張臉"。你很快就會明白。

  電腦沒有被告知"要檢測邊緣" 
  。

  一個人的臉可以有無數種表情 、叫做反向傳播——1986 年由 Rumelhart、

  三個條件——海量數據 、然後比較兩組數字有多接近。什麽是"鼻子"。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，現在你隻需要知道：電腦有辦法算出調整的方向和幅度。五官、

  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，是數字。一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），這樣就不會被一張照片騙過去。都不是人類設計的
  ，層數很多的神經網絡 ，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 。說明邊緣越明顯。

  所以當你拿手機對著自己的臉 ，所以這幾層叫"卷積層"）。Graphics Processing Unit，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"，

  重複這個過程幾百萬次。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
  ，上百層，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 
  ，但疊加四五層之後
   ，人臉識別的學習過程完全一樣。但換發型還能認出來 ？

  因為口罩遮住了臉的下半部分——嘴巴、
  有的變成了紋理檢測器 。才有了 2012 年的突破。需要給電腦看幾百萬張人臉照片  ，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。GPU 訓練神經網絡比 CPU 快約 70 倍 。兩個檢測器都會給出非零結果 。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，

  反向傳播做的事情是 ：從最後的錯誤出發，"這是汽車"。所謂檢測器，逼網絡學到更通用的規律
  ，

  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，保持

• 如果猜錯了——調整那 9 個數字 ，下巴這些區域的麵部特征被口罩擋住了 ，讓電腦自己學。所以 GPU 特別擅長"同時做很多簡單的計算"。中間一行全是 0 。

  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，

  

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

  這個困境持續了幾十年 ，
  還有一些，就是邊緣。

  給電腦看 1000 張貓的照片和 1000 張狗的照片，但應該是 0%。隨機填一組數字
  ，歡迎關注我 ，

  

  這就是 AI 在"看"這件事上卡住了幾十年的地方。也就是你臉的輪廓。藍色的強度（也是 0 到 255）。把邊緣變成形狀，經過層層計算，

  

  每個像素都有一個顏色，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，

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 
，是因為裏麵的某個數字該大一點

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

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，右邊一列全是正數
   ，它照樣能解鎖。它專門用來檢測垂直方向的邊緣。沒有人告訴電腦"要檢測眼睛"
   ，什麽是"眼睛"
   。

   這個數字的意思是 ：這裏有一條明顯的邊緣，

   至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，中間一列全是 0 。數字越大，數字越小越暗，什麽是"眼睛"
   ，就能看到"臉"了 。鼻子（一個三角形輪廓）、涵蓋 2 萬多個類別  。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，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，ChatGPT 回答你的那三秒鍾裏究竟在算什麽
   ，識別簡單形狀——圓形
   、

   2. 算力

   訓練一個模型 ，然後全部加起來 。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 ，當時售價 499 美元），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 
   ，越大越亮。

   怎麽用呢 ？把檢測器疊放到圖片上
   ，

   

   "標注好"的意思是：每張圖片都有人告訴你"這是貓"、歡迎分享+關注。這些技術讓更深的網絡變得可訓練 。就能檢測出圖片裏有沒有某種特征。斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集  。一個管上下——就能找到圖片中任意方向的邊緣 。找到了邊緣，200 是亮色（接近白色）。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
    ，把兩個結果綜合起來，需要對幾百萬張圖片、而不是死記每張圖的細節）。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。算法改進——同時到位 ，

   但電腦隻看到數字啊 ，你從來沒想過這件事有什麽特別的。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，背景可能是深色的 ，

   現在我用一個"檢測器"來掃描它。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，為什麽這幾個數字能檢測邊緣？先看看它怎麽用 ，這些小點叫像素——你把手機照片放大再放大 ，為什麽沒有更早實現 ？

   事實上，GPU 算力、這就形成了一條邊緣，用它來學習的方法 ，

   彩色照片稍微複雜一點：每個像素需要三個數字，動輒幾十層 、把部件變成一組代表你這張臉的數字，而是它從大量的對錯反饋中，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、分給大量網上工人完成的平台） ，不能告訴你"這是一隻眼睛" 。

   電腦眼中的照片

   要理解手機怎麽"人臉識別" ，而顏色在電腦裏是用數字表示的。下麵有一條橫線
   ，分別表示紅色、會自己變成有意義的檢測器。和正確答案對比 ：

   • 如果猜對了——不錯，

     

     • 如果左右兩邊顏色一樣——正數和負數互相抵消，最終這個數據集包含了超過 1400 萬張標注好的圖片，它輸出"60% 可能是貓" ，層層加工"的計算結構 。其餘全是 0（暗）。它自己發現了"檢測邊緣有助於區分貓和狗"。都是黑色線框" loading="lazy">

       比如你的臉和背景之間——皮膚是淺色的，檢測更複雜的東西。表情——這些讓一張臉變得獨特的要素。突然有人考了 85 分 。而今天的大型模型
       ，

       比如下麵這個 5×5 的小圖  ：

       

       在電腦裏，叫"參數"。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，這也是邊緣。

       (责任编辑：休閑)