这是 「AI是怎么回事」 系列的第
3篇。我一直很好奇 AI 到底是怎么工作的，于是花了很长时间去拆这个东西——手机为什么换了发型还能认出你，ChatGPT 回答你的那三秒钟里究竟在算什么，AI 为什么能通过律师考试却会一本正经地撒谎。这个系列就是我的探索笔记，发现了很多有意思的东西，想分享给你。觉得不错的话，欢迎分享+关注。
如果 AI 的历史是一部电影，2012 年 10 月就是高潮。
一个叫 AlexNet 的程序，让所有人的下巴掉了下来。
但在讲这个故事之前，我们得先说一场比赛。
一场给 AI 出的”高考”
上一篇我们讲了 AI 怎么”读懂”文字——把词变成一串数字，在高维空间里计算距离。第一篇讲了 AI 怎么”看”——图片就是数字矩阵，用检测器一层一层提取特征。
但如果你跟着读到这里，你可能会有一个很自然的问题：
如果原理这么”简单”——不就是数字运算吗——为什么 AI 不是一直都很厉害？为什么到 2012 年才突然爆发？
要回答这个问题，我们需要先了解一场比赛。
2010 年，一群做计算机视觉研究的科学家组织了一场大规模的 AI 比赛，叫做 ILSVRC ——名字很长，你不需要记住它，只需要知道大家通常用它背后的数据集名字来称呼它：ImageNet 挑战赛 。
ImageNet 是什么？是一个巨大的图片数据集。它由斯坦福大学的李飞飞教授团队从 2007 年开始建设，最终包含超过 1400 万张标注好的图片，涵盖两万多个类别。”标注好”的意思是：每张图都有人告诉你”这是猫”、”这是狗”、”这是一把椅子”——这些”正确答案”是 AI 学习的前提。
这个数据集有多大？我第一次看到这个数字的时候，做了个换算：如果你每秒看一张图片，不吃不睡不停地看，要看 162 天 才能看完。
ImageNet 挑战赛用的是这个数据集的一个子集：大约 120 万张训练图片 ，1000 个类别 。比赛规则很简单——
给 AI 看一张图，让它猜这是什么。每张图可以猜 5 次，5 次都没猜对才算错。看谁错得最少。
这个”猜 5 次”的规则是有原因的：有些图片确实很难分辨。比如一张照片里有一只狗，品种可能是”拉布拉多”、”金毛”、”大丹犬”……如果 AI 把”金毛”猜成了”拉布拉多”，但 5 次里猜到了”金毛”，就算对。这个指标叫做 top-5 错误率 ——5 次机会都猜错的比例。
简单来说，这就是一场给 AI 出的”高考”。
一场”正常”的进步
2010 年，第一届比赛。
冠军来自 NEC 实验室和伊利诺伊大学的联合团队，他们使用的是当时的主流方法——人工设计特征 + 统计模型分类 。
这是什么意思？回忆一下第一篇的内容。我们讲过，AI”看”图片靠的是检测器——一组数字组成的小模板，在图片上滑动，提取边缘、形状、纹理等特征。AlexNet 的做法是让电脑自己从数据里学出这些检测器。但在 2012 年之前，这些检测器是人类手动设计的 ——比如第一篇里的 Sobel 算子，就是人类根据”比较左右亮度差”这个思路，亲手选定了那 9 个数字。
传统方法的流程是这样的：人类先设计一堆固定的检测器（”找这种方向的边缘””统计这种纹理出现了几次””计算这块区域的颜色分布”），用这些检测器从图片中提取出一组数字，然后把这组数字交给一个统计模型（比如 SVM，支持向量机）去做最终的分类判断——“这组数字更像猫还是更像狗”。
这个方法能工作，但有一个根本的瓶颈：检测器是固定的。 人类能想到的特征就那么多，能手动设计的检测器也就那么多。不管你后面的统计模型多厉害，输入它的那些特征就这些——如果特征本身不够好，分类结果就上不去。
成绩：top-5 错误率 28.2%。
翻译一下：给 AI 看 100 张图片，5 次机会都猜不对的有 28 张。
如果把这换算成考试分数——满分 100 分的话——大概相当于考了 72 分 。能及格，但说不上好。
2011 年，第二届。
冠军是来自法国的 XRCE 团队（施乐欧洲研究中心），用的是一种叫”压缩 Fisher 向量”的方法——本质上还是人工设计特征，然后用统计方法分类。
成绩：top-5 错误率 25.8%。
从 28.2% 到 25.8%，进步了 2.4 个百分点 。
换算成考试分数：从 72 分进步到了 74 分。
这是一种很”正常”的进步——每年各个团队改进一下特征提取方法，调整一下分类器参数，小心翼翼地把错误率往下磨一点点。
所有人都默认：这就是 AI 进步的速度。2012 年也许能到 24%，2013 年也许能到 22%，像挤牙膏一样。
2012 年 10 月：炸弹来了
2012 年 10 月，ImageNet 挑战赛的结果在意大利佛罗伦萨的一个学术会议上公布。
冠军团队叫 SuperVision ，来自加拿大多伦多大学，只有三个人：Geoffrey Hinton 教授——一位研究神经网络几十年的先驱，和他的两个研究生 Alex Krizhevsky 与 Ilya Sutskever。他们提交的模型，用 Alex 的名字命名为 AlexNet （Alex 的网络）。
他们的成绩：
top-5 错误率15.3%。
第二名的成绩是多少？
AlexNet 领先第二名 10.9 个百分点 。
在一个连年进步 2-3 个百分点都值得庆祝的比赛里，有人一下子领先了 10.9 个百分点。
整个计算机视觉学术圈震惊了。
让这个数字”可感知”
10.9 个百分点。
你可能觉得”好像挺多的”，但也没什么概念。让我帮你建立一个参照系。
考试类比：
想象一场全国性的标准化考试。
- 2010 年：全国最高分 72 分
- 2011 年：全国最高分 74 分（进步 2 分，大家觉得很正常）
- 2012 年：全国最高分 85 分
所有人都还在 72 到 74 分之间互相竞争，突然有人考了 85 分。
而且不是偶然——这个人的方法和其他所有人完全不同 。别人还在用老办法死磕，他用了一套全新的解题策略。
赛跑类比：
如果把这场比赛比作百米短跑——
- 2010 年的冠军成绩：10.5 秒
- 2011 年的冠军成绩：10.3 秒（进步 0.2 秒，正常训练的结果）
- 2012 年：突然有人跑出了 9.0 秒
不是训练更刻苦了，是这个人换了一种跑法——比如从正常跑步变成了骑摩托车。
你一定会想：他是不是作弊了？
实际上，很多研究者的第一反应真的就是不敢相信。
ImageNet 数据集的创建者李飞飞教授后来回忆自己当时的反应时说，在那之前，
当她看到 AlexNet 在她的数据集上取得的成绩时，她意识到这个时刻太重要了，不能错过——她改变了原本打算在家的计划，飞到了佛罗伦萨的会议现场。
这不是”进步快了一点”。这是换了一条赛道。
再看几个数字
让我再帮你从几个不同的角度感受这个差距。
角度一：按正常速度要追多久？
2010 年到 2011 年，进步了 2.4 个百分点（从 28.2%到 25.8%）。
如果按照这个速度，从 25.8%进步到 15.3%需要多少年？
（25.8 - 15.3）÷ 2.4 ≈ 4.4 年
也就是说，如果继续用老方法，要到 2015 或 2016 年 才可能达到 AlexNet 在 2012 年就做到的成绩。
但事实比这更糟。
角度二：老方法已经到了天花板。
看看 2012 年第二名到第五名的成绩：
- 第二名：26.2%
- 其余名次大多在 26%到 27%之间挤着
大家用的都是类似的传统方法——人工设计特征，然后用统计模型分类。第二名到第五名之间差距不到 2 个百分点，所有人都挤在同一个区间里。
这说明什么？传统方法已经接近极限了。 不管你怎么调整、怎么优化，用老方法大概也就能做到 25%左右。
而 AlexNet 直接跳到了 15.3%。
角度三：后续发展证明这不是侥幸。
AlexNet 之后，几乎所有参赛团队都转向了同一种方法——深度神经网络。
后面的进步速度更是惊人：
| 年份 | 冠军模型 | top-5 错误率 | 使用方法 |
|---|---|---|---|
| 2010 | NEC/UIUC | 28.2% | 传统方法（SVM） |
| 2011 | XRCE | 25.8% | 传统方法（Fisher 向量） |
| 2012 | AlexNet | 15.3% | 深度神经网络 |
| 2013 | Clarifai | 11.7% | 深度神经网络 |
| 2014 | GoogLeNet | 6.7% | 深度神经网络 |
| 2015 | ResNet | 3.57% | 深度神经网络（152 层） |
| 2017 | SENet | 2.25% | 深度神经网络 |
注意到了吗？
2014 年，GoogLeNet 把错误率做到了 6.7%——已经接近人类水平。
人类水平是多少？2014 年，后来成为 Tesla AI 总监的 Andrej Karpathy 亲自做了一个实验：他自己坐下来，仔仔细细地对 ImageNet 的图片做分类。他专注地做了这个测试之后，达到了 5.1%的 top-5 错误率——这个数字后来成为了 ImageNet 上”人类水平”的标杆。
2015 年，微软的 ResNet（残差网络，一种 152 层深的神经网络）做到了 3.57%。
AI 超过了人类。
到 2017 年，SENet（一种叫”压缩-激发网络”的新架构）把错误率降到了 2.25%，之后比赛组织者宣布：这个基准已经被解决了，不再有挑战性，比赛结束。
从 28.2%到 2.25%，从”勉强及格”到”远超人类”，只用了 7 年 。
而引爆这一切的，就是 2012 年的 AlexNet。
那它到底做了什么不同的事？
好，AlexNet 很厉害，这我们知道了。
但它到底做了什么？为什么能领先第二名这么多？
答案是：三件事同时凑齐了。
如果你读过第一篇，你已经知道了这个框架——数据、算力、算法。这一篇我们来深入看看这三个要素在 2012 年到底是怎么”凑齐”的。
要素一：数据——1400 万张图片背后的苦力活
深度神经网络有一个特点：它需要海量的数据 来学习。
为什么？想想第一篇讲过的学习过程——电脑用随机的检测器扫描图片，猜对了保持，猜错了调整。如果只有 100 张图片，那些检测器会”死记硬背”这 100 张图的细节（这种情况叫”过拟合”，我后面会专门讲），而不是学到真正有用的规律。就像一个学生，如果只做了 3 道练习题就去考试，他可能只是记住了那 3 道题的答案，换个数字就不会了。
你需要给它看足够多、足够多样 的图片，它才能学到真正通用的规律。
2009 年之前，这是一个大问题——没有人有这么多标注好的图片。
李飞飞教授改变了这一切。
她的灵感来自一个认知科学的研究：人类大约能识别 3 万种不同的物体类别。她想建一个同等规模的图片数据库，让 AI 也能”见多识广”。
2007 年，她在普林斯顿大学开始这个项目。同事们觉得她疯了——当时主流的想法是”改进算法”，没人觉得费那么大劲收集数据有什么用。
但她做了。
为了在合理的时间内完成标注，她使用了亚马逊的众包平台（Amazon Mechanical Turk，一种把任务拆成小块分给大量网上工人完成的平台）。从 2008 年 7 月开始，到 2010 年 4 月完成。在这不到两年的时间里，来自167 个国家的近 49000 名标注工人，从 1.6 亿张候选图片中筛选和标注。平均每个工人每分钟判断 50 张图片——“这张图里有猫吗？””这是哪种猫？”
最终，ImageNet 收录了超过 1400 万张标注好的图片 ，覆盖两万多个类别。
这在当时是前所未有的规模。在 ImageNet 之前，常用的图片数据集通常只有几千到几万张图。1400 万张，是量级上的跃升。
没有 ImageNet，就没有 AlexNet 的突破。 那些深层的检测器需要看到足够多的例子，才能从随机数字变成有意义的特征提取器。只有几千张图，网络根本学不出来。
要素二：算力——两块游戏显卡改变了一切
有了数据还不够。
第一篇讲过，AlexNet 有 6000 万个参数 ——6000 万个需要调整的数字。训练这个网络意味着：对 120 万张训练图片，每一张都要做 6000 万次乘法和加法，然后根据结果调整参数，这个过程要反复很多遍（AlexNet 训练了 90 个轮次——也就是把 120 万张图片完整地看了 90 遍）。
简单算一下这个计算量：
120 万张图 × 6000 万次运算/张 × 90 轮 = 一个天文数字
如果用当时普通电脑的 CPU （中央处理器，电脑的”大脑”）来算——CPU 擅长处理复杂的、需要一步一步按顺序做的任务，但每次只能做一两件事——这可能要算好几个月甚至好几年 。
Alex Krizhevsky 用了一个聪明的办法：用游戏显卡来算。
游戏显卡的核心叫 GPU （Graphics Processing Unit，图形处理器）。GPU 原本是用来渲染游戏画面的。游戏画面需要同时计算屏幕上几百万个像素的颜色——每个像素的计算都很简单（就是乘法和加法），但需要同时算很多个。所以 GPU 的设计理念是：大量小核心并行干活。
打个比方：
- CPU 像一个顶级大厨。手艺精湛，什么菜都能做，但一次只能炒一道菜。
- GPU 像 1000 个帮厨。每个人技术一般，只会切菜和搅拌这种简单操作——但 1000 个人同时干活，切菜的总速度远远超过一个大厨。
训练神经网络恰好就是这种活——大量简单的乘法和加法，可以同时做 。这正是 GPU 的主场。
2009 年，斯坦福大学的吴恩达（Andrew Ng）团队发表了一篇论文，证明在特定的 AI 训练任务上，GPU 比 CPU 快约 70 倍。
70 倍。 原来要算 70 天的事情，现在 1 天就能算完。
Alex Krizhevsky 正是利用了这一点。他用的是两块 NVIDIA 的 GTX 580 显卡——这是一款当时定价 499 美元的游戏显卡，每块只有 3GB 显存和 512 个计算核心。
为什么要用两块？因为一块显卡的 3GB 内存装不下整个网络。所以 Krizhevsky 把网络劈成两半，一半放在一块显卡上，一半放在另一块上，让两块显卡协同工作。
训练时间：大约 5 到 6 天 。
换个角度感受一下：如果用 CPU，同样的训练可能需要几个月到一年多。GPU 把这个时间压缩到了不到一周。两块不到 500 美元的游戏显卡，就是 AlexNet 背后全部的计算硬件。
作为对比，看看今天的规模：据报道，2023 年的 GPT-4 使用了约 25000 块 NVIDIA A100 GPU（每块芯片性能是 GTX 580 的几十倍），训练花了几个月。从”两块游戏显卡训练一周”到”两万五千块专业 GPU 训练几个月”——AI 对算力的渴求增长了何止百万倍。
但一切的起点，就是那两块 GTX 580。
要素三：算法——几个关键的技术改进
数据和算力到位了，但还需要算法上的突破。
AlexNet 使用的核心方法，在第一篇已经介绍过了——深度卷积神经网络 。就是多层检测器叠在一起：第一层找边缘，第二层找形状，第三层找部件，一层一层往上，最后判断”这是什么”。
但在 2012 年之前，深度神经网络有一个严重的问题：层数一多，就训练不动了。
为什么？因为一个叫”梯度消失”的问题。
还记得第一篇讲过的”反向传播”吗？——从输出的错误往回推，告诉每一层”你该调多少”。问题是，这个”该调多少”的信号每经过一层就会变小一点。如果网络有很多层，信号传到最前面几层的时候，已经小到几乎为零——前面的层收不到有用的反馈，就没办法学习。
这就像一排人传话：第一个人大声说了一句话，但每传一个人声音就变小一点。传到第 20 个人的时候，声音已经小到完全听不见了。
AlexNet 用了几个关键的技术改进来解决这个问题：
1. ReLU 激活函数
“激活函数”是神经网络里一个关键的小零件——每个神经元做完加法和乘法之后，要用激活函数处理一下结果再传给下一层。你可以把它想象成一个”开关”：决定这个神经元要不要”激活”（就是要不要把信号传下去）。
在 AlexNet 之前，常用的激活函数（叫 Sigmoid 和 Tanh）有一个问题：它们会把很大或很小的数字都”压扁”到一个很小的范围内，这就导致梯度（那个”该调多少”的信号）在传递过程中迅速变小——这正是”梯度消失”的根源之一。
AlexNet 使用了一种更简单的激活函数，叫ReLU （Rectified Linear Unit，整流线性单元——名字听起来吓人，但它做的事非常简单）：
1
2
|
如果输入 > 0，就直接输出这个数
如果输入 ≤ 0，就输出 0
—|—
就这么简单。但这个小改动效果惊人——使用 ReLU 的网络训练速度比使用传统激活函数快了大约 6 倍，而且大大缓解了梯度消失问题。
2. Dropout（随机丢弃）
第二个问题是”过拟合”——网络可能不是在学规律，而是在死记硬背训练数据。
AlexNet 用了一个叫 Dropout 的技巧，是 Hinton 教授在同一年（2012 年）提出的。原理很简单：在训练过程中，每一步都随机”关掉”一部分神经元（比如 50%）。被关掉的神经元不参与计算。
这意味着，每一次训练，网络的结构都不太一样——有些神经元在工作，有些在”休息”。
为什么这能防止死记硬背？因为网络不能依赖某几个特定的神经元来记住答案——那些神经元随时可能被关掉。它必须学到更”通用”的特征，这些特征不依赖于某几个特定的计算路径。
就像考试前，老师每次模拟考都随机不让你用一部分公式——你就不得不真正理解原理，而不是死记公式。
3. 网络结构本身
AlexNet 有 8 层——5 层卷积层（就是第一篇讲的”检测器在图片上滑动”）加 3 层全连接层（”汇总投票”做最终判断），共 6000 万个参数。
在当时，这是一个很”大”的网络。1998 年 Yann LeCun 的 LeNet-5（一个开创性的卷积神经网络）只有 6 万个参数——AlexNet 的参数量是它的 1000 倍 。
更大的网络能学到更复杂的特征——但也需要更多数据和更强算力。这就是为什么三个要素缺一不可。
三要素的”化学反应”
让我把三个要素串起来，你就能看到为什么 2012 年是”突然”变厉害的。
1990 年代： 算法有了（神经网络和反向传播早就存在），但数据太少（只有几千张图）、算力太弱（CPU 算不动深层网络）。结果：网络只能做很小的任务，比如识别手写数字。
2000 年代初： 算力在进步，但没有 GPU 加速。数据开始增多，但还不够。算法遇到了梯度消失等瓶颈。结果：大多数研究者放弃了神经网络，转向其他方法。神经网络成了李飞飞说的”玻璃橱柜里的老古董”。
2009-2012 年：
- 数据 ：ImageNet 提供了 120 万张标注图片（比之前的数据集大了几个数量级）
- 算力 ：GPU 被发现可以大幅加速神经网络训练（快了约 70 倍）
- 算法 ：ReLU 解决了梯度消失，Dropout 解决了过拟合，使更深的网络成为可能
三个要素同时到位 。
结果：AlexNet。
这就像一把锁需要三把钥匙才能打开。在 2012 年之前，总是缺一两把。2012 年，三把钥匙终于凑齐了。
我的个人感受
28.2% → 25.8% → 15.3%
这不是”更好”。这是”换赛道”。
让我真正感到震撼的是后续的发展。AlexNet 打开了一扇门之后，所有人都涌了进去——2013 年 11.7%，2014 年 6.7%，2015 年 3.57%，直到 2017 年 2.25%。
7 年时间，从”比人差得多”到”远超人类”。
而这一切的起点，是一个教授和两个研究生，用两块游戏显卡，在 5 天里训练出来的一个程序。
有时候我会想一个假设：如果李飞飞没有建 ImageNet 呢？如果 GPU 没有被用来训练神经网络呢？如果 Hinton 团队没有参加 2012 年的比赛呢？
AI 的爆发也许会推迟好几年。或者，也许最终还是会发生——因为三个要素各自的发展趋势已经不可逆转。但 2012 年是那个”完美风暴”的时刻，所有条件恰好同时成熟了。
一句话回顾
2012 年不是”进步快了一点”，是打开了新世界的大门。
三个要素齐了——数据 （ImageNet，1400 万张标注图片，49000 名工人花了两年建成）、算力 （GPU，比 CPU 快 70 倍，两块游戏显卡就够）、算法 （ReLU、Dropout 等改进，让深层网络终于能训练了）——AI 从此走上了快车道。
从 28%到 2%，从不如人类到超越人类，只用了 7 年。
而引爆这一切的 AlexNet，用的核心方法有一个名字——神经网络 。
下一篇预告
“神经网络”——这可能是 AI 领域听起来最吓人的一个词。
机器有了”神经”？在”思考”？
别慌。下一篇我会带你拆开这个词，你会发现——它其实就是一堆乘法和加法。真的，就这么简单。
参考资料
- ImageNet - Wikipedia — ImageNet 数据集包含超过 1400 万张标注图片，涵盖两万多个类别
- ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 论文，8 层网络，6000 万参数，top-5 错误率 15.3%，第二名 26.2%
- The data that transformed AI research — and possibly the world - Quartz — ImageNet 的建设过程：49000 名标注工人来自 167 个国家，从 1.6 亿张候选图片中筛选标注
- Large-scale Deep Unsupervised Learning using Graphics Processors - Raina, Madhavan, Ng (2009) — GPU 训练神经网络比 CPU 快约 70 倍
- NVIDIA GeForce GTX 580 - VideoCardz — GTX 580 显卡，512 个 CUDA 核心，3GB 显存，建议零售价 499 美元
- AlexNet - Wikipedia — AlexNet 架构细节：两块 GTX 580 GPU，训练 90 个轮次，耗时 5-6 天
- ILSVRC 2012 Results — 2012 年 ImageNet 挑战赛完整结果
- ILSVRC 2015 Results — 2015 年 ResNet 以 3.57%错误率夺冠
- ILSVRC 2017 Results — 2017 年 SENet 以 2.25%错误率夺冠，为最后一届比赛
- What I learned from competing against a ConvNet on ImageNet - Andrej Karpathy (2014) — Karpathy 亲自测试，人类 top-5 错误率约 5.1%
- Why the deep learning boom caught almost everyone by surprise - Understanding AI — 李飞飞回忆 2012 年前神经网络被视为”玻璃橱柜里的老古董”；LeNet-5 只有 6 万参数，AlexNet 是其 1000 倍
- ImageNet: A Pioneering Vision for Computers - History of Data Science — 李飞飞的灵感来自认知科学：人类能识别约 3 万种物体类别
- Beyond ILSVRC Workshop — 2017 年比赛组织者宣布 ImageNet 分类基准已被解决，结束比赛
- AlexNet: Revolutionizing Deep Learning in Image Classification - viso.ai — ReLU 使 AlexNet 训练速度比传统激活函数快约 6 倍
