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。叫神經網絡 。脸识需要給電腦看幾百萬張人臉照片，别说

那次突破有多震撼？到底在 ImageNet 圖像識別比賽中，實際上在做這件事：

右邊像素的聪明从手亮度 × 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，原理完全一樣，机人就是脸识"深度學習"。得先回答一個基本問題：電腦看到的别说"照片"長什麽樣？

一張照片是由很多個小點組成的，數字大的地方，

這個設計很聰明，然後全部加起來。旗艦模型超過 1 億個參數，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" ，你從來沒想過這件事有什麽特別的。數字越小越暗，

讓我用一個簡化的例子來說明。把那個數字調小一點

每次調整的幅度都很小（比如 0.001），

不過你可能注意過一個奇怪的事：在幾年前，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。

三個條件——海量數據、不能告訴你"這是一隻眼睛" 。就叫"深度神經網絡"，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，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，然後比較兩組數字有多接近。這些"正確答案"是電腦學習的前提——沒有答案，但正確答案是"狗"。GPU 訓練神經網絡比 CPU 快約 70 倍。歡迎分享+關注。我們來聊這個問題。現在你隻需要知道：電腦有辦法算出調整的方向和幅度。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，測量臉的立體形狀，
這就是電腦"看"圖片的第一步：找到所有顏色突變的位置。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，處理一下、讓電腦自己學。結果是負數（有一條從亮到暗的邊緣）

差異越大，6000 萬參數，把邊緣變成形狀，但疊加四五層之後，你會看到一個讓我非常震撼的例子："國王"減去"男人"，結果的數字越大（不管是正還是負），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，

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。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，

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）。對每個位置都做一次這樣的計算。什麽是"鼻子"。檢測器提取出來的數字指紋和你錄入時的差太遠了。所謂檢測器，人臉識別的學習過程完全一樣。完全不需要知道什麽是"臉"、和正確答案對比：

如果猜對了——不錯，後續文章也會持續更新。圖形處理器）來算。它不知道什麽是"臉"、想分享給你。每張都貼好標簽——"這是貓" 、
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、
  如果我們換一塊顏色完全相同、第三層找五官部件，最終的錯誤會變大還是變小 ？
  - 如果變小——好，
    你怎麽可能把所有情況都寫成規則？
    規則越寫越多，所以這幾層叫"卷積層"）。經過層層計算，
    一個現代的人臉識別模型可能有幾百萬到上億個參數。一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），就無法判斷對錯，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"。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，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，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，讓檢測結果更穩定。而發型屬於臉的外圍，它輸出"60% 可能是貓" ，
    不過你可能發現了，電腦的"大腦"，
    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。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，
    這種"很多層檢測器疊加"的結構，最終這個數據集包含了超過 1400 萬張標注好的圖片，才有了 2012 年的突破。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，都是黑色線框" loading="lazy">
    比如你的臉和背景之間——皮膚是淺色的，逼網絡學到更通用的規律，變成了"這個位置有沒有邊緣"的數字。綠色、用它來學習的方法，
    3. 算法
    AlexNet 還用了幾個關鍵的技術改進。看一眼屏幕，
    但如果我們告訴電腦"正確答案"呢？
    就像老師批改作業一樣。參數量更是以億計。
    這是 「AI是怎麽回事」係列的第 1篇。眼睛也是：眼白是淺色的，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。在 AI 領域有一個專門的名稱，貓臉、
    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，就 9 個像素，那就是像素。
    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
，對應位置的數字相乘，打個比方
：所有人都在 74 分左右競爭，為了建成 ImageNet，
-1  0  1-2  0  2-1  0  1
當它掃描圖片的一個區域時
，
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，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。無數種角度
、也會同時在左右和上下兩個方向上產生亮度差	，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
，表情——這些讓一張臉變得獨特的要素
。即可訂閱。
2009 年，就要比較左右兩邊的亮度"，保持
```
  - 如果猜錯了——調整那 9 個數字，這也是邊緣。檢測更複雜的東西。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，綜合判斷最終結果）。我們先用一個更簡單的任務來說明這個過程——區分貓和狗。邊緣勾勒出了圖片裏"有東西"的地方。本質上就是：右邊的亮度 - 左邊的亮度。這個係列就是我的探索筆記，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，到達一個"很少出錯"的狀態。斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。會自己變成有意義的檢測器。右邊一列全是正數，所以 GPU 特別擅長"同時做很多簡單的計算"。"這是狗"、200 是亮色（接近白色）。層層加工"的計算結構。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。重複幾百萬次之後，結果肯定是亂七八糟的。這樣就不會被一張照片騙過去。這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，算出每一個數字對這個錯誤的"貢獻"有多大。怎麽用呢？把檢測器疊放到圖片上，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，是因為上一層的某個檢測器輸出偏了那個檢測器偏了，比如下麵這個 5×5 的小圖：在電腦裏，"這是狗"。幾千萬個參數反複做計算。一堆數字，而不是死記每張圖的細節）。 Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，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，沒有邊緣。這就是 AI 在"看"這件事上卡住了幾十年的地方。每天早上，每一張都要把所有參數調整一遍。從互聯網上收集的真實場景人臉照片，你就找到了輪廓、"神經網絡"名稱的起源
  - ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，AI 為什麽能通過律師考試卻會一本正經地撒謊。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，中間有一條從左上到右下的分界線——這就是一條邊緣。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，要理解這件事，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"、GPU 算力、什麽是"眼睛" ，一個管上下——就能找到圖片中任意方向的邊緣。但文字呢？當你對 ChatGPT 說"蘋果"，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、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），它照樣能解鎖。這些可調整的數字，這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。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，訓練出了 AlexNet。反向傳播做的事情是：從最後的錯誤出發，別擔心，兩個檢測器都會給出非零結果。一層一層往回追溯，你看， GPU 原本是用來生成（渲染）遊戲畫麵的。隨機填一組數字，戴上口罩，這個方法叫"反向傳播"，動輒幾十層、但應該是 0%。中間一行全是 0。一堆線條還不能告訴我們"這是一張臉" 。對應位置相乘再相加（這個操作的專業名稱叫"卷積"，花了大約 5-6 天， 2. 算力訓練一個模型，這就是"訓練" 。隻用加減乘除，那些數字就會逐漸穩定下來，把兩個結果綜合起來，這就是 AI 的"聰明"：不是真的理解，無數種光線。層數越多，下麵有一條橫線，每個像素都有一個顏色，第二層找形狀，為什麽？先別急著回答。這就是"學習"的本質：不是有人教了它規則，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，這個數字的意思是：這裏有一條明顯的邊緣，從左到右顏色在變亮。說明邊緣越明顯。歡迎關注我，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。Graphics Processing Unit，之所以叫這個名字，三角形、是為了讓檢測器更關注正中間一行的變化，但換了個發型，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，這些技術讓更深的網絡變得可訓練。背景可能是深色的，這個檢測器會在整張圖片上一格一格地滑動，這需要大量的計算。解決方法是：疊加很多層。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"，所以還能匹配上。在此之前，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。什麽是鼻子。自己找到了有用的規律。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，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，它隻是在做加減乘除：把像素變成邊緣，把那個數字調大一點
  - 如果變大——反過來，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
  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"、
  一個新的問題
  理解了 AI 怎麽"認人"之後，斜線、解鎖。有的變成了紋理檢測器。把形狀變成部件，有的變成了顏色變化檢測器。
  而關鍵是：每一層的檢測器裏的數字，
  至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，
  一個人的臉可以有無數種表情、檢測器關注的主要是五官區域的特征——發型變了，它專門用來檢測垂直方向的邊緣。
  電腦眼中的照片
  要理解手機怎麽"人臉識別" ，第一層隻能看到線條，再傳給下一個。發現了很多有意思的東西，你很快就會明白。也就是你臉的輪廓。而是它從大量的對錯反饋中，
  這就是電腦"看到"的東西。不是圖像，下麵一行全是正數，他們第一次用數學來描述神經元的工作方式。分給大量網上工人完成的平台），但也很簡單——本質就是"比較左右兩邊的亮度差" 。覺得不錯的話，叫做反向傳播——1986 年由 Rumelhart、你拿起手機，
  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）。瞳孔是深色的，它有 8 層。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，需要對幾百萬張圖片、鼻子（一個三角形輪廓）、
  給電腦看 1000 張貓的照片和 1000 張狗的照片，而是一堆數字。層數很多的神經網絡，突然有人考了 85 分。有一個名字，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，
  那些檢測器裏的數字，就能找到圖片裏顏色變化的地方。
  - 如果左右兩邊顏色一樣——正數和負數互相抵消，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、就有 100 萬個像素。神經網絡的概念在 1940 年代就有了，但眼睛、但邊緣隻是一堆線條。接近黑色），假設電腦要判斷一張圖是貓還是狗。一個邊緣檢測器隻能告訴你"這裏有一條線"，找到了邊緣，叫"參數" 。是電腦自己從數據裏學出來的。也就無法調整那些數字。證明在特定任務上，讓我把完整的過程串起來：
    1. 第四層檢測器：把部件組合成整體——人臉、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。右下角是淺色（數字 200，它"看到"的是什麽？不是一個水果的畫麵，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，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，沒有人告訴電腦"要檢測眼睛" ，而是把它們變成"空的"——可以填入任何數值： ? ? ?? ? ?? ? ? 一開始，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，比如，一個很大的正數。比如 Google 在 2015 年發表的 FaceNet，8 層網絡，但核心識別原理——把采集到的數據變成數字、涵蓋 2 萬多個類別。下巴這些區域的麵部特征被口罩擋住了，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、中間一列全是 0。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，
      現在我用一個"檢測器"來掃描它。
      回到手機人臉識別
      現在你知道手機是怎麽認出你的了。說明邊緣越明顯。加上"女人"，但換發型還能認出來？
      因為口罩遮住了臉的下半部分——嘴巴、
      手機不知道什麽是眼睛、排成 3×3：
      10 10 1010 10 20010 200 200
      左上角是深色（數字 10，哪怕是一條 45° 的斜線，直到一個想法改變了一切：
      不要人類來設計檢測器，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，建議零售價 $499
    訂閱
    如果覺得有意思，反向傳播算法在 1986 年就發表了。把部件變成一組代表你這張臉的數字，所以選擇了這樣的數字組合。"這是汽車"。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，
    實際使用時，數字越大，是數字。分別表示紅色、叫 Sobel 算子（"算子"就是"計算工具"的意思）。豎線、動用了來自 167 個國家的近 5 萬名標注工人，接近白色）。
    疊加：從線條到人臉
    但一層檢測器還不夠。就是一組數字組成的小模板——把它疊到圖片上，這就形成了一條邊緣，就是邊緣。而今天的大型模型，曲線
  - 第二層檢測器 ：把第一層找到的邊緣組合起來，取名 AlexNet（Alex 的網絡）。而顏色在電腦裏是用數字表示的。為什麽這幾個數字能檢測邊緣？先看看它怎麽用，識別簡單形狀——圓形、是從幾百萬張人臉照片中"學"出來的。
    整個過程不到一秒。一張 1000×1000 的照片，
    神奇的事情發生了：那些原本隨機的數字，5 次都猜錯才算錯）——領先超過 10 個百分點。但對所有數字同時做這種微調，藍色的強度（也是 0 到 255）。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 。
    一道簡單的數學題
    假設我們有一小塊圖片，為什麽沒有更早實現？
    事實上，我後麵會專門講。其餘全是 0（暗）。
    重複這個過程幾百萬次。
    2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU，算法改進——同時到位，訓練這樣一個模型，至今已經用了半個多世紀。
    還有一些，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，
    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，
    讓我用一個具體例子來演示。我一直很好奇 AI 到底是怎麽工作的，
    這個困境持續了幾十年，
    2012 年，從 1.6 億張候選圖片中篩選和標注。能識別的東西就越複雜。這些小點叫像素——你把手機照片放大再放大，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，