<i id='DCB2C8DD89'><strike id='DCB2C8DD89'><tt id='DCB2C8DD89'><pre id='DCB2C8DD89'></pre></tt></strike></i> 您的当前位置：首页 > 時尚 > 在哪AI到底聰明機人臉起從手識別說 正文
时间：2026-09-03 08:41:00 来源：网络整理 编辑：時尚
旋风推送工具是当前流行的SEO推送方案·基于小旋风开源引擎·支持大批量URL推送·加速搜索引擎收录效率。
微信搜索"我沒有三顆心髒"或者掃描二維碼 ，机人對應位置相乘再相加（這個操作的脸识專業名稱叫"卷積"，而不是别说死記每張圖的細節） 。層數越多 ，到底
電腦用隨機檢測器算出一個結果 ，聪明从手什麽是机人"眼睛" ，你很快就會明白 。脸识就是别说"深度學習" 。遊戲畫麵需要同時計算屏幕上幾百萬個像素的到底顏色 ，花了大約 5-6 天 ，聪明从手
就像考試之後對答案 ：
但如果我們告訴電腦"正確答案"呢 ？脸识
就像老師批改作業一樣 。到達一個"很少出錯"的别说狀態 。讓檢測結果更穩定 。檢測器關注的主要是五官區域的特征——發型變了 ，歡迎分享+關注 。隻用加減乘除 ，自己找到了有用的規律 。它"看到"的是什麽 ？不是一個水果的畫麵 ，是電腦自己從數據裏學出來的 。會自己變成有意義的檢測器 。叫做反向傳播——1986 年由 Rumelhart 、訓練這樣一個模型 ，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 ，把兩個結果綜合起來 ，
這就是 AI 的"聰明" ：不是真的理解 ，那可能是一張臉"
這就是電腦"看到"的東西。
你看 ，"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"、別擔心 ，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、這些技術讓更深的網絡變得可訓練 。"這是汽車" 。分給大量網上工人完成的平台），
那些檢測器裏的數字 ，
要理解手機怎麽"人臉識別" ，就能得到每個位置的"邊緣強度"和"邊緣方向" 。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 ，超過 1400 萬張標注圖片
假設我們有一小塊圖片 ，
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 ，我一直很好奇 AI 到底是怎麽工作的 ，逼網絡學到更通用的規律 ，一層一層往回追溯 ，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字 ，沒有邊緣。背景可能是深色的 ，
現在你知道手機是怎麽認出你的了 。但眼睛、這些小點叫像素——你把手機照片放大再放大，反向傳播算法在 1986 年就發表了 。純白是 255 ，叫神經網絡 。所以選擇了這樣的數字組合 。這樣就不會被一張照片騙過去。需要對幾百萬張圖片 、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 ，發表於 Nature
兩個檢測器配合使用——一個管左右 ，49000 名標注工人來自 167 個國家
整個過程不到一秒 。就叫"深度神經網絡" ，
怎麽用呢 ？把檢測器疊放到圖片上，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 00 是黑色，識別簡單形狀——圓形、一堆線條還不能告訴我們"這是一張臉" 。從左到右顏色在變亮 。即可訂閱。你就找到了輪廓、就是邊緣。什麽是"鼻子" 。下麵有一條橫線 ，把那個數字調大一點
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。這個係列就是我的探索筆記 ，
現在我用一個"檢測器"來掃描它 。就要比較左右兩邊的亮度" ，哪怕是一條 45° 的斜線 ，
有的變成了紋理檢測器 。排成 3×3 ：
10 10 1010 10 20010 200 200左上角是深色（數字 10 ，比如 Google 在 2015 年發表的 FaceNet ，但應該是 0%。有一個名字 ，圖形處理器）來算 。找到了邊緣 ，"這是狗" 。而是把它們變成"空的"——可以填入任何數值 ：
? ? ?? ? ?? ? ?一開始 ，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 ，它不知道什麽是"臉" 、
實際使用時 ，戴上口罩 ，人臉識別的學習過程完全一樣 。
反向傳播做的事情是 ：從最後的錯誤出發 ，保持
這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。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） ，想分享給你 。曲線
讓我用一個簡化的例子來說明 。
一個邊緣檢測器隻能告訴你"這裏有一條線"，
如果我們換一塊顏色完全相同 、
最簡單的情況是黑白照片 ：純黑是 0 ，中間一列全是 0 。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，結果是 0（沒有邊緣）
假設電腦要判斷一張圖是貓還是狗。嘴巴（兩條曲線）
一個人的臉可以有無數種表情 、
給電腦看 1000 張貓的照片和 1000 張狗的照片 ，右邊一列全是正數 ，和正確答案對比 ：
如果覺得有意思，鼻梁這些區域的數字模式沒變 ，對應位置的數字相乘 ，也就無法調整那些數字 。
2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU ，
GPU 原本是用來生成（渲染）遊戲畫麵的。
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） 。
讓我用一個具體例子來演示 。神經網絡的概念在 1940 年代就有了 ，
它錯了 。5 次都猜錯才算錯）——領先超過 10 個百分點 。不能告訴你"這是一隻眼睛"。越大越亮。經過層層計算，但邊緣隻是一堆線條 。它照樣能解鎖 。
三個條件——海量數據、旗艦模型超過 1 億個參數 ，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 ，看一眼屏幕 ，得先回答一個基本問題 ：電腦看到的"照片"長什麽樣 ？
一張照片是由很多個小點組成的 ，一張 1000×1000 的照片 ，結果是負數（有一條從亮到暗的邊緣）
差異越大 ，取名 AlexNet（Alex 的網絡） 。
"標注好"的意思是 ：每張圖片都有人告訴你"這是貓" 、每張都貼好標簽——"這是貓" 、這可能要算好幾個月甚至幾年 。鼻子（一個三角形輪廓） 、三角形 、
讓我把完整的過程串起來 ：
這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置 。但永遠覆蓋不了真實世界的複雜性。眼睛也是 ：眼白是淺色的 ，但換了個發型 ，
2. 算力
訓練一個模型 ，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 。
這需要大量的計算 。
你可能會好奇：如果"讓電腦自己學"這個想法這麽好 ，
不過你可能注意過一個奇怪的事：在幾年前 ，測量臉的立體形狀 ，原理完全一樣 ，但原理完全一樣——歸根到底還是數字 。就能找到圖片裏顏色變化的地方 。後續文章也會持續更新。沒有人花這麽大力氣去收集和標注這麽多圖片 。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"，就能看到"臉"了。
整個網絡包含 6000 萬個可調整的數字。最終這個數據集包含了超過 1400 萬張標注好的圖片 ，右下角是淺色（數字 200 ，然後全部加起來 。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 ，無數種角度 、一個管上下——就能找到圖片中任意方向的邊緣。手機往往就不認識你了 。綠色 、電腦的"大腦" ，一個很大的正數 。
3. 算法
AlexNet 還用了幾個關鍵的技術改進。用它來學習的方法 ，這些可調整的數字 ，我後麵會專門講。
一堆數字 ，
但電腦隻看到數字啊 ，對每個位置都做一次這樣的計算。突然有人考了 85 分 。一個三角形在中間，把那個數字調小一點
每次調整的幅度都很小（比如 0.001） ，
2012 年 ，發現了很多有意思的東西 ，
有的變成了顏色變化檢測器 。
這個設計很聰明 ，
這就是"學習"的本質 ：不是有人教了它規則 ，本質上就是 ：右邊的亮度 - 左邊的亮度。表情——這些讓一張臉變得獨特的要素 。層層加工"的計算結構 。動輒幾十層、而今天的大型模型 ，
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） 。"這是狗" 、
但如果讓電腦自己來選呢 ？
假設我們不再指定這 9 個數字 ，接近黑色） ，數字大的地方 ，豎線 、不是圖像，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 ，你會看到一個讓我非常震撼的例子："國王"減去"男人" ，從 1.6 億張候選圖片中篩選和標注 。你拿起手機 ，
解決方法是 ：疊加很多層 。隨機填一組數字，它自己發現了"檢測邊緣有助於區分貓和狗" 。
你可能還記得前麵留下的那個問題 ：猜錯的時候 ，處理一下 、
-1 0 1-2 0 2-1 0 1當它掃描圖片的一個區域時 ，實際上在做這件事 ：
所以最終的結果 ，"神經網絡"名稱的起源
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，用普通電腦的 CPU（中央處理器，
一個現代的人臉識別模型可能有幾百萬到上億個參數 。為什麽沒有更早實現 ？
事實上 ，加上"女人"，下麵一行全是正數 ，現在你隻需要知道：電腦有辦法算出調整的方向和幅度 。
想象這樣一個過程 ：
先別急著回答 。
那次突破有多震撼 ？在 ImageNet 圖像識別比賽中，每一張都要把所有參數調整一遍 。而顏色在電腦裏是用數字表示的 。GPU 算力 、
至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大 ，把部件變成一組代表你這張臉的數字，而是一堆數字 。
這就是 AI 在"看"這件事上卡住了幾十年的地方 。AI 為什麽能通過律師考試卻會一本正經地撒謊 。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 ，8 層網絡 ，但也很簡單——本質就是"比較左右兩邊的亮度差" 。叫 Sobel 算子（"算子"就是"計算工具"的意思） 。藍色的強度（也是 0 到 255） 。就是一串能代表你長相特征的數字）
整個過程沒有任何"理解" 。
比如下麵這個 5×5 的小圖 ：
在電腦裏 ，人類知道"要檢測垂直邊緣 ，也會同時在左右和上下兩個方向上產生亮度差 ，叫"參數"。擅長一件一件地處理複雜任務），包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。
仔細看這個檢測器的結構 ：左邊一列全是負數 ，讓下次更可能猜對
怎麽調整 ？不是隨機亂調，
不過你可能發現了 ，
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 ，訓練出了 AlexNet。錯了多少 ？差了很多——它說 60% 是貓 ，隻是方向變了 ：它比較的是"下麵的亮度 - 上麵的亮度" 。之所以叫這個名字 ，
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 。
重複這個過程幾百萬次 。
這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域 。就無法判斷對錯 ，再傳給下一個 。什麽是鼻子 。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"。算出每一個數字對這個錯誤的"貢獻"有多大 。
電腦沒有被告知"要檢測邊緣" 。
這個數字的意思是 ：這裏有一條明顯的邊緣 ，
疊加
：從線條到人臉
但一層檢測器還不夠 。完全不需要知道什麽是"臉" 、為了建成 ImageNet ，你從來沒想過這件事有什麽特別的 。就能看到一個個小方塊 ，是因為上一層的某個檢測器輸出偏了
答案讓我很驚訝：隻用簡單的加減乘除就能做到 。
這種"很多層檢測器疊加"的結構 ，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 。所以還能匹配上 。當時售價 499 美元） ，下巴這些區域的麵部特征被口罩擋住了 ，層數很多的神經網絡 ，它隻是在做加減乘除 ：把像素變成邊緣，
理解了 AI 怎麽"認人"之後 ，我們先用一個更簡單的任務來說明這個過程——區分貓和狗 。他們第一次用數學來描述神經元的工作方式。涵蓋 2 萬多個類別。弧線
2009 年 ，無數種光線 。top-5 錯誤率 15.3%
這是整個係統最精巧的部分 ，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 ，檢測的東西連人類都說不清楚——但它們確實對區分貓和狗有用 。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"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，
這就是"訓練" 。數字越大 ，層層疊加
這是 「AI是怎麽回事」係列的第
1篇 。斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文 ，判斷"這是不是主人的臉" 。LFW 準確率 99.63%
AI 能"看"了——圖片在它眼裏是數字矩陣 ，但對所有數字同時做這種微調 ，是數字 。歡迎關注我 ，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 。瞳孔是深色的 ，第二層找形狀 ，覺得不錯的話，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 ，什麽是"眼睛" 。比如，6000 萬參數 ，
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 。動用了來自 167 個國家的近 5 萬名標注工人 ，
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，結果是正數（有一條從暗到亮的邊緣）
科學家們嚐試了很多方法：
找到邊緣之後呢 ？
1968 年的 Sobel 算子能找到邊緣 ，
但文字呢 ？
當你對 ChatGPT 說"蘋果" ，分別表示紅色 、都是黑色線框" loading="lazy">
比如你的臉和背景之間——皮膚是淺色的，
彩色照片稍微複雜一點 ：每個像素需要三個數字，都不是人類設計的 ，
這個困境持續了幾十年，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞 、就有 100 萬個像素 。直到一個想法改變了一切 ：
不要人類來設計檢測器 ，所以這幾層叫"卷積層"） 。
邊緣勾勒出了圖片裏"有東西"的地方。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 ，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 ，從互聯網上收集的真實場景人臉照片 ，重複幾百萬次之後，這個方法叫"反向傳播" ，把形狀變成部件 ，中間一行全是 0 。接近白色）。
神奇的事情發生了 ：那些原本隨機的數字 ，我們來聊這個問題 。數字越小越暗，把所有檢測器發現的信息都匯集在一起 ，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 。
每個像素都有一個顏色，怎麽可能認出一張臉 ？
什麽是邊緣 ？就是照片裏顏色突然變化的地方 。就 9 個像素 ，GPU 訓練神經網絡比 CPU 快約 70 倍。
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 ，才有了 2012 年的突破
。
每天早上 ，五官 、把邊緣變成形狀 ，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 、
代碼是 AI 寫的 ，生產事故誰背鍋 ？2026-09-03 08:39
絲綢和真絲有什麽區別2026-09-03 08:37
水晶泥怎麽玩2026-09-03 08:23
c羅足球比賽2026-09-03 07:36
Pretext ：值得關注的文本排版引擎2026-09-03 07:34
放不下想又怕原唱歌曲2026-09-03 07:25
蠊蟲是什麽蟲2026-09-03 07:18
手鐲取不下來怎麽辦2026-09-03 07:09
為什麽說 IO 操作異步才有意義2026-09-03 06:38
芋頭和紅薯哪個熱量高2026-09-03 06:33
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年2026-09-03 08:39
核桃仁做菜的菜譜2026-09-03 08:35
黃山的雲海有哪些特點是什麽2026-09-03 08:30
手抄報的模板圖簡單2026-09-03 08:26
經常用 Codex 後 ，我發現 AGENTS.md 隻該管一件事2026-09-03 08:07
潮汕鹵鵝是什麽梗2026-09-03 07:43
常吃的魚有哪些2026-09-03 07:15
阻衝之什麽梗2026-09-03 07:12
純 .NET 手寫 CUDA kernel ，GLM2026-09-03 06:31
馬娘寄是什麽梗2026-09-03 06:18