但在这个微小的动作背后，一个庞大的数字帝国正在运转。

这个帝国的名字，叫AI。

1 像素帝国的黑暗时代

很久很久以前——其实也就是几十年前——在AI帝国崛起之前，整个世界被像素统治着。

像素是什么？就是那些构成一切图像的小方块。一张照片、一个画面、一张脸，在电脑眼里，都只是一堆数字。纯黑是0，纯白是255，中间的灰色就是1到254。仅此而已。

电脑看到的世界是这样的：

142  98  87 134 156 178 ...
 78  45  52  89 123 145 ...
134 167 189 201 178 156 ...

没有面孔，没有表情，没有意义。只有冰冷的数字。

2 第一个发现：边缘

1968年，斯坦福人工智能实验室里，两个年轻人Irwin Sobel和Gary Feldman在做一件看似疯狂的事情——他们想让电脑”看见”东西。

他们发现了一个规律：只要找到数字变化最剧烈的地方，就能找到物体的边界。

就像你站在悬崖边上，脚下的颜色和远处的颜色完全不同。那个分界线，就是边缘。

他们设计了一个小小的检测器，只有9个数字：

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

把它叠在图片上，做几次简单的乘法和加法，就能算出”这里有没有边缘”。

原理其实很简单：右边减左边。如果左右亮度一样，结果是0；如果右边更亮，结果就是正数；如果左边更亮，结果是负数。

这就是Sobel算子——人类设计的第一个”特征检测器”。

但是，仅靠边缘还远远不够。

3 漫长的黑暗时期

从1968年到2012年，AI在”看”这件事上卡住了将近半个世纪。

科学家们尝试了无数种方法：

有人写规则：”如果有两个圆形在上面，一个三角形在中间，下面有一条横线，那可能是一张脸”

有人提取特征：”检测眼睛的形状”、”测量鼻子的位置”

但都撞上了同一堵墙：规则越写越多，却永远覆盖不了真实世界的复杂性。

侧脸怎么办？戴帽子怎么办？只露出半张脸怎么办？光线暗了怎么办？表情变了怎么办？

人类设计者绞尽脑汁，却始终无法让电脑真正”看见”。

4 转折：让电脑自己学

1986年，一篇发表在《Nature》上的论文悄悄埋下了一颗种子。作者是Rumelhart、Hinton和Williams。他们提出了一个想法——反向传播。

简单来说，就是让电脑自己调整检测器里的数字。

一开始，所有数字都是随机的。电脑用这些随机的检测器去判断”这是猫还是狗”，肯定会错很多。

但每次猜错，它都会计算：哪个数字该调大一点，哪个该调小一点，下次就能更接近正确答案。

重复这个过程几百万次。

神奇的事情发生了：那些原本随机的数字，自己变成了有意义的检测器。

有的变成了边缘检测器（电脑自己”发明”了和Sobel算子几乎一模一样的东西）。

有的变成了纹理检测器。

有的检测的东西，连人类都说不清楚——但它们确实有用。

电脑没有被告知”要检测边缘”。它自己发现了”检测边缘有助于区分物体”。

这就是”学习”的本质：不是有人教了它规则，而是它从大量的对错反馈中，自己找到了有用的规律。

5 叠加：帝国的崛起

但一层检测器还不够。一个边缘检测器只能告诉你”这里有一条线”，不能告诉你”这是一只眼睛”。

解决方法是：叠加很多层。

像素 → 边缘 → 形状 → 部件 → 整体

第一层检测器：从原始像素中找到各种边缘。

第二层检测器：把边缘组合成简单形状——圆形、三角形、弧线。

第三层检测器：把形状组合成部件——眼睛、鼻子、嘴巴。

第四层检测器：把部件组合成整体——人脸、猫脸、汽车。

每一层都在上一层的基础上，检测更复杂的东西。

这就是”深度学习”里”深度”的含义——很多层检测器叠加在一起。

而所有检测器里的数字，都不是人类设计的，是电脑自己从数据里学出来的。

6 2012：帝国元年

为什么这个想法在1986年就有了，却要到2012年才爆发？

因为三个条件终于同时凑齐了：

第一，数据。

2009年，斯坦福大学的李飞飞教授团队发布了ImageNet数据集。超过1400万张标注好的图片，涵盖2万多个类别。每张图片都有人告诉你”这是猫”、”这是狗”、”这是汽车”。

这些”正确答案”是电脑学习的前提——没有答案，就无法判断对错。

为了建成ImageNet，他们动用了来自167个国家的近5万名标注工人，从1.6亿张候选图片中筛选和标注。

第二，算力。

训练一个模型，需要对几百万张图片、几千万个参数反复做计算。用普通电脑的CPU，可能要算好几个月甚至几年。

但有人发现了一个聪明的办法：用游戏显卡（GPU）来算。

GPU原本是用来生成游戏画面的，特别擅长”同时做很多简单的计算”。而训练神经网络恰好也是这种活——对几百万个数字做大量简单的乘法和加法。

2012年，Geoffrey Hinton的学生Alex Krizhevsky用两块游戏显卡（NVIDIA GTX 580，当时售价499美元），花了5-6天，训练出了一个8层的神经网络，取名AlexNet。

第三，算法改进。

AlexNet还用了几个关键的技术改进。比如一种让深层网络更容易训练的数学技巧（叫ReLU），以及一种防止网络”死记硬背”训练数据的方法（叫Dropout）。

三个条件——海量数据、GPU算力、算法改进——同时到位。

那次突破有多震撼？在ImageNet图像识别比赛中，AlexNet将错误率从同年第二名的26.2%直接降到了15.3%——领先超过10个百分点。

打个比方：所有人都在74分左右竞争，突然有人考了85分。

7 帝国的统治

现在，AI帝国已经统治了几乎所有和”看”有关的领域。

手机人脸识别：当你拿起手机，它看到的不是一张脸，而是几百万个数字。这些数字经过很多层检测器——第一层找边缘，第二层找形状，第三层找五官部件——最后输出一组数字，也就是你这张脸的”数字指纹”。把它和你第一次录入时存下的指纹比较，如果足够接近，就解锁。

整个过程没有任何”理解”。手机不知道什么是眼睛、什么是鼻子。它只是在做加减乘除。

那些检测器里的数字，是从几百万张人脸照片中”学”出来的。没有人告诉电脑”要检测眼睛”，它自己在反复的”猜对了/猜错了”中发现了某些数字组合对区分不同人脸特别有用。

这就是AI的”聪明”：不是真的理解，而是从海量数据中找到了反复出现的模式。

8 一个新的疆域

AI能”看”了。图片在它眼里是数字矩阵，它通过层层检测器从数字中提取特征。

但文字呢？

当你对ChatGPT说”苹果”，它”看到”的是什么？不是一个水果的画面，不是咬一口的味道——那它”看到”的是什么？

文字怎么变成数字？AI又怎么”理解”这些数字的意思？

一个更大的帝国正在扩张。

而这个故事，才刚刚开始。

下一篇：文字帝国的崛起——从“国王”减去“男人”加上“女人”等于什么开始。

关注微信公众号【让天下没有难学的编程】，一起学习AI吧

求职、职场，技术讨论等，任何问题都欢迎+V