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	，層數越多
，建議零售價 $499

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，層層疊加
2. 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"  ，才有了 2012 年的突破。斜線、

   

   那些檢測器裏的數字
   ，層數很多的神經網絡，

   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 ，有一個名字 ，GPU 訓練神經網絡比 CPU 快約 70 倍 。本質上就是 ：右邊的亮度 - 左邊的亮度。

   讓我用一個具體例子來演示 。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，這些"正確答案"是電腦學習的前提——沒有答案，動用了來自 167 個國家的近 5 萬名標注工人
   ，那就是像素 。

   

   這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，純白是 255，哪怕是一條 45° 的斜線，從互聯網上收集的真實場景人臉照片，下麵一行全是正數
   ，

   一個邊緣檢測器隻能告訴你"這裏有一條線"，

   回到手機人臉識別

   

   現在你知道手機是怎麽認出你的了。第三層找五官部件，但對所有數字同時做這種微調，下麵有一條橫線 ，一張 1000×1000 的照片，這個係列就是我的探索筆記，沒有人告訴電腦"要檢測眼睛" ，

   反向傳播做的事情是：從最後的錯誤出發，會自己變成有意義的檢測器。

   電腦眼中的照片

   要理解手機怎麽"人臉識別"，算出每一個數字對這個錯誤的"貢獻"有多大。隨機填一組數字，

   一個現代的人臉識別模型可能有幾百萬到上億個參數。排成 3×3：

   10  10  1010  10 20010 200 200

   左上角是深色（數字 10，後續文章也會持續更新 。能識別的東西就越複雜
   。把那個數字調大一點

3. 如果變大——反過來，

   那次突破有多震撼？在 ImageNet 圖像識別比賽中，取名 AlexNet（Alex 的網絡）。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。

   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 、而顏色在電腦裏是用數字表示的。

     這需要大量的計算 。檢測器關注的主要是五官區域的特征——發型變了，

     3. 算法

     AlexNet 還用了幾個關鍵的技術改進
     。電腦的"大腦" 
     ，就能得到每個位置的"邊緣強度"和"邊緣方向"。把所有檢測器發現的信息都匯集在一起 ，

     但電腦隻看到數字啊，

     三個條件——海量數據 、越大越亮 。下巴這些區域的麵部特征被口罩擋住了，8 層網絡，層層加工"的計算結構。判斷"這是不是主人的臉"。自己找到了有用的規律。叫 Sobel 算子（"算子"就是"計算工具"的意思） 。數字越小越暗
     ，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。什麽是"眼睛"。叫"參數"。最終的錯誤會變大還是變小 ？

     • 如果變小——好
       ，人類知道"要檢測垂直邊緣，但邊緣隻是一堆線條 。

       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。就是"深度學習" 。分別表示紅色、三角形 、它"看到"的是什麽？不是一個水果的畫麵，

       重複這個過程幾百萬次。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你
       。就有 100 萬個像素。至今已經用了半個多世紀。

       不過你可能發現了，檢測器提取出來的數字指紋和你錄入時的差太遠了 。就 9 個像素，逼網絡學到更通用的規律，每一張都要把所有參數調整一遍。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，

       但如果我們告訴電腦"正確答案"呢
       ？

       就像老師批改作業一樣。

       

       每個像素都有一個顏色，什麽是鼻子。而不是死記每張圖的細節） 
       。它有 8 層。旗艦模型超過 1 億個參數，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，涵蓋 2 萬多個類別。而今天的大型模型，

       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，直到一個想法改變了一切：

       不要人類來設計檢測器，200 是亮色（接近白色）
       。沒有邊緣 
       。

       但文字呢？

       當你對 ChatGPT 說"蘋果" ，瞳孔是深色的，但換了個發型 ，為什麽沒有更早實現？

       事實上，

       仔細看這個檢測器的結構：左邊一列全是負數 ，這可能要算好幾個月甚至幾年。

       這個設計很聰明
       ，第二層找形狀
       ，把邊緣變成形狀，把兩個結果綜合起來
       ，就是邊緣。

       讓我用一個簡化的例子來說明。這個檢測器會在整張圖片上一格一格地滑動，

       這是 「AI是怎麽回事」係列的第 1篇。神經網絡的概念在 1940 年代就有了 ，就要比較左右兩邊的亮度"
       ，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU） ，但眼睛、

       Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580 ，它不知道什麽是"臉"、這些小點叫像素——你把手機照片放大再放大 ，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 。

       但如果讓電腦自己來選呢？

       假設我們不再指定這 9 個數字，

       現在我用一個"檢測器"來掃描它。別擔心，6000 萬參數 ，表情——這些讓一張臉變得獨特的要素。處理一下 、

       邊緣勾勒出了圖片裏"有東西"的地方
       。

       解決方法是  ：疊加很多層。一堆線條還不能告訴我們"這是一張臉" 。保持

     • 如果猜錯了——調整那 9 個數字
       ，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，就能找到圖片裏顏色變化的地方
       。

       整個網絡包含 6000 萬個可調整的數字
       。貓臉、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，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 、

       怎麽用呢 ？把檢測器疊放到圖片上，每張都貼好標簽——"這是貓"、

       比如下麵這個 5×5 的小圖：

       

       在電腦裏，

       而關鍵是：每一層的檢測器裏的數字，中間一行全是 0。想分享給你 。鼻梁這些區域的數字模式沒變，鼻子（一個三角形輪廓） 、

       實際使用時 ，右下角是淺色（數字 200 ，這些可調整的數字
       ，是電腦自己從數據裏學出來的。

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

       當它掃描圖片的一個區域時，所以 GPU 特別擅長"同時做很多簡單的計算"。重複幾百萬次之後
       ，比如 Google 在 2015 年發表的 FaceNet，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，訓練這樣一個模型 ，解鎖。變成了"這個位置有沒有邊緣"的數字。"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"、它自己發現了"檢測邊緣有助於區分貓和狗"。錯了多少？差了很多——它說 60% 是貓，為什麽
     ？

     先別急著回答。需要對幾百萬張圖片、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、需要給電腦看幾百萬張人臉照片，擅長一件一件地處理複雜任務），結果是 0（沒有邊緣）

   • 如果右邊比左邊亮——正數那邊貢獻更大，
     有的變成了顏色變化檢測器。所以選擇了這樣的數字組合 。中間的灰色就是 1 到 254。是為了讓檢測器更關注正中間一行的變化，參數量更是以億計。5 次都猜錯才算錯）——領先超過 10 個百分點。

     這就是電腦"看到"的東西 。
     有的變成了紋理檢測器。一層一層往回追溯，不是圖像，接近白色） 。你會看到一個讓我非常震撼的例子："國王"減去"男人"，一個三角形在中間 ，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，眼睛也是
     ：眼白是淺色的 ，檢測更複雜的東西 。

     

     "標注好"的意思是 ：每張圖片都有人告訴你"這是貓"、五官、而是把它們變成"空的"——可以填入任何數值 
     ：

     ?  ?  ??  ?  ??  ?  ?

     一開始，之所以叫這個名字 ，

     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
     ，

     你看 ，看一眼屏幕 ，"這是狗" 。這個方法叫"反向傳播"
     ，它通過層層檢測器從數字中提取特征  。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字 ，無數種光線 。

     彩色照片稍微複雜一點 ：每個像素需要三個數字
     ，Graphics Processing Unit，

     這個數字的意思是：這裏有一條明顯的邊緣，都不是人類設計的，

     

     但永遠覆蓋不了真實世界的複雜性
     。隻是方向變了 ：它比較的是"下麵的亮度 - 上麵的亮度" 。而發型屬於臉的外圍，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，反向傳播算法在 1986 年就發表了。

     2012 年 ，讓電腦自己學。不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、"這是狗"
     、

     這就是 AI 的"聰明"  ：不是真的理解，

     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，

     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。但核心識別原理——把采集到的數據變成數字
     、是數字。

     整個過程不到一秒。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，其餘全是 0（暗） 。但應該是 0%。

     它錯了。藍色的強度（也是 0 到 255）。動輒幾十層、那些數字就會逐漸穩定下來，我們先用一個更簡單的任務來說明這個過程——區分貓和狗 。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，

     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）
     。對應位置相乘再相加（這個操作的專業名稱叫"卷積" ，找到了邊緣 ，就能看到一個個小方塊 ，綜合判斷最終結果）。對每個位置都做一次這樣的計算。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，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，它隻是在做加減乘除 ：把像素變成邊緣，和正確答案對比：

     • 如果猜對了——不錯 ，

       一道簡單的數學題

       假設我們有一小塊圖片，我後麵會專門講。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，

       電腦沒有被告知"要檢測邊緣" 。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。從 1.6 億張候選圖片中篩選和標注。所以這幾層叫"卷積層"）
        。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，

       2009 年
       ，人臉識別的學習過程完全一樣。

       

       GPU 原本是用來生成（渲染）遊戲畫麵的。但換發型還能認出來 ？

       因為口罩遮住了臉的下半部分——嘴巴、就是一組數字組成的小模板——把它疊到圖片上 ，

       手機不知道什麽是眼睛 、結果是負數（有一條從亮到暗的邊緣）

     差異越大 ，但也很簡單——本質就是"比較左右兩邊的亮度差"。

     

     這就是 AI 在"看"這件事上卡住了幾十年的地方。歡迎關注我 ，

     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，也就是你臉的輪廓  。它照樣能解鎖。把部件變成一組代表你這張臉的數字，無數種角度 、

     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 ，數字越大 ，結果的數字越大（不管是正還是負），讓下次更可能猜對

     怎麽調整 ？不是隨機亂調，就能檢測出圖片裏有沒有某種特征 。把那個數字調小一點

   每次調整的幅度都很小（比如 0.001），AI 為什麽能通過律師考試卻會一本正經地撒謊。比如
   ，中間有一條從左上到右下的分界線——這就是一條邊緣。但原理完全一樣——歸根到底還是數字。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色 ，兩個檢測器都會給出非零結果。

   不過你可能注意過一個奇怪的事：在幾年前 ，

   • 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，最終這個數據集包含了超過 1400 萬張標注好的圖片，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
   ，

   假設電腦要判斷一張圖是貓還是狗 。
   還有一些，那可能是一張臉"

4. 有人試著提取更複雜的特征："檢測眼睛的形狀" 、要理解這件事，不能告訴你"這是一隻眼睛"。

   一個人的臉可以有無數種表情、隻用加減乘除，就叫"深度神經網絡"，讓檢測結果更穩定。歡迎分享+關注 。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），然後全部加起來。

   神奇的事情發生了
   ：那些原本隨機的數字，