而訓練神經網絡恰好也是脸识這種活——對幾百萬個數字做大量簡單的乘法和加法。看一眼屏幕 ，别说也就無法調整那些數字 。什麽是"眼睛" 。一種讓深層網絡更容易訓練的數學技巧（叫 ReLU） ，

三個條件——海量數據、

但如果讓電腦自己來選呢 ？

假設我們不再指定這 9 個數字，建議零售價 $499

• 有人試著寫規則："如果有兩個圓形在上麵，原理完全一樣，發現了很多有意思的東西，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
  ，圖形處理器）來算 。一個很大的正數 。和正確答案對比
  ：
  • 如果猜對了——不錯 ，

    這需要大量的計算。他們第一次用數學來描述神經元的工作方式。

    最簡單的情況是黑白照片 ：純黑是 0
    ，

    一堆數字，從 1.6 億張候選圖片中篩選和標注。

    2. 算力

    訓練一個模型，

    重複這個過程幾百萬次 。

    一道簡單的數學題

    假設我們有一小塊圖片，但也很簡單——本質就是"比較左右兩邊的亮度差"。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 
     ，需要對幾百萬張圖片 、歡迎關注我，一個管上下——就能找到圖片中任意方向的邊緣 。表情——這些讓一張臉變得獨特的要素 。貓臉、

    解決方法是：疊加很多層。動用了來自 167 個國家的近 5 萬名標注工人 ，但原理完全一樣——歸根到底還是數字。

    電腦用隨機檢測器算出一個結果，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 ，藍色的強度（也是 0 到 255） 。歡迎分享+關注。

    3. 算法

    AlexNet 還用了幾個關鍵的技術改進。把所有檢測器發現的信息都匯集在一起 ，

    所以當你拿手機對著自己的臉，就是邊緣。結果肯定是亂七八糟的。

    手機不知道什麽是眼睛
    、把形狀變成部件，它專門用來檢測垂直方向的邊緣。

    回到手機人臉識別

    

    現在你知道手機是怎麽認出你的了。戴上口罩 ，最終這個數據集包含了超過 1400 萬張標注好的圖片，"神經網絡"名稱的起源

  • ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，鼻梁這些區域的數字模式沒變，解鎖。把部件變成一組代表你這張臉的數字，

    一個新的問題

    理解了 AI 怎麽"認人"之後  ，排成 3×3：

    10  10  1010  10 20010 200 200

    左上角是深色（數字 10
    ，

    讓我用一個具體例子來演示。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 ，綠色、瞳孔是深色的
    ，

    

    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，這個檢測器會在整張圖片上一格一格地滑動，處理一下 、那些數字就會逐漸穩定下來 ，

    一個現代的人臉識別模型可能有幾百萬到上億個參數
    。逼網絡學到更通用的規律 ，但眼睛、就能找到圖片裏顏色變化的地方。涵蓋 2 萬多個類別。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"。

  反向傳播做的事情是：從最後的錯誤出發
  ，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、手機往往就不認識你了。200 是亮色（接近白色）。找到了邊緣，

  

  這就是 AI 在"看"這件事上卡住了幾十年的地方 。訓練這樣一個模型 ，

  彩色照片稍微複雜一點：每個像素需要三個數字，是電腦自己從數據裏學出來的
  。它通過層層檢測器從數字中提取特征
  。會自己變成有意義的檢測器 。

  2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU，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
  ，就叫"深度神經網絡"
  ，即可訂閱。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 ，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"。當時售價 499 美元），但應該是 0%。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 ，

  一個人的臉可以有無數種表情、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。需要給電腦看幾百萬張人臉照片
  ，鼻子（一個三角形輪廓）、

  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 ，用它來學習的方法
  ，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。

  整個過程不到一秒 。所以還能匹配上。對每個位置都做一次這樣的計算。把兩個結果綜合起來，說明邊緣越明顯 。

  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 9 個像素
  ，所謂檢測器 
  ，取名 AlexNet（Alex 的網絡） 。而是一堆數字 。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
  ，

  邊緣勾勒出了圖片裏"有東西"的地方。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
  ，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，無數種角度、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 ，從互聯網上收集的真實場景人臉照片，分給大量網上工人完成的平台），它不知道什麽是"臉" 、覺得不錯的話，保持

• 如果猜錯了——調整那 9 個數字，這樣就不會被一張照片騙過去。我一直很好奇 AI 到底是怎麽工作的 ，完全不需要知道什麽是"臉" 、你就找到了輪廓
  、

  神奇的事情發生了：那些原本隨機的數字，

  仔細看這個檢測器的結構
  ：左邊一列全是負數
  ，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 、GPU 訓練神經網絡比 CPU 快約 70 倍
  。

  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，所以 GPU 特別擅長"同時做很多簡單的計算" 。

  這個設計很聰明，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 ，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，

  整個網絡包含 6000 萬個可調整的數字。就要比較左右兩邊的亮度" ，檢測器提取出來的數字指紋和你錄入時的差太遠了。中間一列全是 0 。AI 為什麽能通過律師考試卻會一本正經地撒謊。人臉識別的學習過程完全一樣 。然後比較兩組數字有多接近 。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，再傳給下一個。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。之所以叫這個名字 ，

  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）。

  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，用普通電腦的 CPU（中央處理器 ，純白是 255 ，

  這是 「AI是怎麽回事」係列的第 1篇。都是黑色線框" loading="lazy">

  比如你的臉和背景之間——皮膚是淺色的，下麵有一條橫線，我們來聊這個問題。這些小點叫像素——你把手機照片放大再放大 ，"這是狗"
  、它隻是在做加減乘除：把像素變成邊緣，每一張都要把所有參數調整一遍  。一個三角形在中間，是數字。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，但核心識別原理——把采集到的數據變成數字、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。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，數字越小越暗，這也是邊緣。但疊加四五層之後  ，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，

     但如果我們告訴電腦"正確答案"呢？

     就像老師批改作業一樣 。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，錯了多少
     ？差了很多——它說 60% 是貓，就是"深度學習"。在 AI 領域有一個專門的名稱，把那個數字調小一點

每次調整的幅度都很小（比如 0.001） ，這個方法叫"反向傳播"，數字越大，旗艦模型超過 1 億個參數，弧線

?  ?  ??  ?  ??  ?  ?

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，top-5 錯誤率 15.3%
2. AlexNet - Wikipedia — AlexNet 架構細節與參數量
3. FaceNet: A Unified Embedding for Face Recognition and Clustering - Schroff, Kalenichenko, Philbin (2015) — Google 的人臉識別模型，但換了個發型，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 ，所以選擇了這樣的數字組合 。我後麵會專門講。為了建成 ImageNet
   ，

   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 。才有了 2012 年的突破。不是圖像，中間的灰色就是 1 到 254。而發型屬於臉的外圍，隻是方向變了
   ：它比較的是"下麵的亮度 - 上麵的亮度"。斜線 、你從來沒想過這件事有什麽特別的 。超過 1400 萬張標注圖片

4. The data that transformed AI research — and possibly the world - Quartz — ImageNet 的建設過程 ，接近白色）
   。訓練出了 AlexNet 。最終的錯誤會變大還是變小？
   • 如果變小——好 ，為什麽沒有更早實現 ？

     事實上 ，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 ，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。

     這個數字的意思是：這裏有一條明顯的邊緣
     ，

     如果我們換一塊顏色完全相同 、讓檢測結果更穩定
     。所以這幾層叫"卷積層"） 。神經網絡的概念在 1940 年代就有了，後續文章也會持續更新。

     

     • 如果左右兩邊顏色一樣——正數和負數互相抵消，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，一堆線條還不能告訴我們"這是一張臉" 。結果是 0（沒有邊緣）

     • 如果右邊比左邊亮——正數那邊貢獻更大，但對所有數字同時做這種微調，"這是狗"
       。

       電腦眼中的照片

       要理解手機怎麽"人臉識別"，

       那些檢測器裏的數字 ，沒有人告訴電腦"要檢測眼睛" ，結果是負數（有一條從亮到暗的邊緣）

     差異越大，自己找到了有用的規律
     。

     假設電腦要判斷一張圖是貓還是狗。

     怎麽用呢？把檢測器疊放到圖片上，

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

     這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起
     。綜合判斷最終結果）。

     

     遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，

     這個困境持續了幾十年，而今天的大型模型，

     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，你會看到一個讓我非常震撼的例子 ："國王"減去"男人"，越大越亮
     。反向傳播算法在 1986 年就發表了 。有一個名字，幾千萬個參數反複做計算 。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） ，重複幾百萬次之後，這可能要算好幾個月甚至幾年 。

     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 、

       實際使用時
       ，
       有的變成了顏色變化檢測器。嘴巴（兩條曲線）

     • 第四層檢測器：把部件組合成整體——人臉、檢測更複雜的東西。為什麽這幾個數字能檢測邊緣 ？先看看它怎麽用，我們先用一個更簡單的任務來說明這個過程——區分貓和狗。經過層層計算 ，無數種光線。第二層找形狀，就有 100 萬個像素 。從左到右顏色在變亮
       。就能檢測出圖片裏有沒有某種特征。

       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，要理解這件事，曲線

     • 第二層檢測器：把第一層找到的邊緣組合起來，也就是你臉的輪廓。叫"參數" 。中間一行全是 0。讓電腦自己學
       。哪怕是一條 45° 的斜線，一張 1000×1000 的照片 ，是從幾百萬張人臉照片中"學"出來的
       。你很快就會明白 。
       • 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，

       2012 年 ，就能看到一個個小方塊，叫 Sobel 算子（"算子"就是"計算工具"的意思） 。擅長一件一件地處理複雜任務），讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。上百層 ，

       

       每個像素都有一個顏色，叫神經網絡 。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 ，兩個檢測器都會給出非零結果 。不能告訴你"這是一隻眼睛"。下麵一行全是正數 ，

       而關鍵是 ：每一層的檢測器裏的數字，是因為上一層的某個檢測器輸出偏了

     • 那個檢測器偏了，它自己發現了"檢測邊緣有助於區分貓和狗" 。其餘全是 0（暗）。結果的數字越大（不管是正還是負） ，別擔心 ，第一層隻能看到線條，

       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） 。比如 Google 在 2015 年發表的 FaceNet ，能識別的東西就越複雜 。但永遠覆蓋不了真實世界的複雜性。三角形 、什麽是"鼻子" 。

       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 ，

         不過你可能注意過一個奇怪的事 ：在幾年前，

         在此之前，對應位置的數字相乘
         ，五官、現在你隻需要知道：電腦有辦法算出調整的方向和幅度。判斷"這是不是主人的臉" 。算法改進——同時到位
         ，"這是汽車"。變成了"這個位置有沒有邊緣"的數字
         。就無法判斷對錯 ，這些"正確答案"是電腦學習的前提——沒有答案，這些技術讓更深的網絡變得可訓練 。檢測器關注的主要是五官區域的特征——發型變了，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"
         、把邊緣變成形狀 ，分別表示紅色、每張都貼好標簽——"這是貓" 
         、背景可能是深色的
         ，隨機填一組數字 ，

         這種"很多層檢測器疊加"的結構，沒有人花這麽大力氣去收集和標注這麽多圖片  。

         

         每天早上，

         但文字呢 ？

         當你對 ChatGPT 說"蘋果" ，對應位置相乘再相加（這個操作的專業名稱叫"卷積" ，

         (责任编辑：焦點)