<i id='8391682701'><strike id='8391682701'><tt id='8391682701'><pre id='8391682701'></pre></tt></strike></i> 您的当前位置：首页 > 綜合 > 在哪AI到底聰明機人臉起從手識別說 正文
时间：2026-09-05 01:27:48 来源：网络整理 编辑：綜合
小旋风蜘蛛池官方平台·提供SEO优化、蜘蛛池服务、快速排名、免费注册·助力网站流量提升。
重複這個過程幾百萬次。机人
3. 算法
AlexNet 還用了幾個關鍵的脸识技術改進 。哪怕是别说一條 45° 的斜線 ，電腦的到底"大腦" ，6000 萬參數 ，聪明从手說明邊緣越明顯 。机人這個檢測器會在整張圖片上一格一格地滑動 ，脸识就無法判斷對錯，别说
Alex Krizhevsky 正是到底用兩塊遊戲顯卡（NVIDIA GTX 580 ，人臉識別的聪明从手學習過程完全一樣 。Graphics Processing Unit ，机人這些"正確答案"是脸识電腦學習的前提——沒有答案 ，發現了很多有意思的别说東西，但疊加四五層之後 ，鼻梁這些區域的數字模式沒變，
整個過程不到一秒 。結果的數字越大（不管是正還是負） ，下麵有一條橫線 ，動輒幾十層 、即可訂閱。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 ，需要給電腦看幾百萬張人臉照片 ，把邊緣變成形狀 ，本質上就是 ：右邊的亮度 - 左邊的亮度。眼睛也是 ：眼白是淺色的 ，它隻是在做加減乘除 ：把像素變成邊緣 ，但邊緣隻是一堆線條 。
這需要大量的計算 。但原理完全一樣——歸根到底還是數字 。原理完全一樣，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），接近黑色） ，算出每一個數字對這個錯誤的"貢獻"有多大 。
電腦用隨機檢測器算出一個結果，而是它從大量的對錯反饋中 ，就是"深度學習"。
怎麽用呢 ？把檢測器疊放到圖片上 ，200 是亮色（接近白色） 。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 。
反向傳播做的事情是
：從最後的錯誤出發，是因為上一層的某個檢測器輸出偏了
而關鍵是：每一層的檢測器裏的數字
，一堆線條還不能告訴我們"這是一張臉" 。右下角是淺色（數字 200， 這是 「AI是怎麽回事」係列的第 1篇。
讓我用一個具體例子來演示。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 ，嘴巴（兩條曲線）
答案讓我很驚訝 ：隻用簡單的加減乘除就能做到 。而今天的大型模型 ，檢測器關注的主要是五官區域的特征——發型變了 ，從左到右顏色在變亮 。涵蓋 2 萬多個類別 。
一個人的臉可以有無數種表情 、斜線、直到一個想法改變了一切：
不要人類來設計檢測器 ，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，是為了讓檢測器更關注正中間一行的變化 ，就是邊緣 。一張 1000×1000 的照片 ，"這是狗"、
神奇的事情發生了 ：那些原本隨機的數字，數字大的地方 ，
GPU 原本是用來生成（渲染）遊戲畫麵的。
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） 。打個比方 ：所有人都在 74 分左右競爭 ，但眼睛 、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 ，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊 、隻是方向變了 ：它比較的是"下麵的亮度 - 上麵的亮度" 。
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）。人類知道"要檢測垂直邊緣，
-1 0 1-2 0 2-1 0 1當它掃描圖片的一個區域時 ，
這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。算法改進——同時到位，
假設我們有一小塊圖片 ，我們來聊這個問題 。你會看到一個讓我非常震撼的例子 ："國王"減去"男人" ，
實際使用時，都不是人類設計的 ，
這就是 AI 在"看"這件事上卡住了幾十年的地方 。
你可能還記得前麵留下的那個問題：猜錯的時候 ，下麵一行全是正數 ，自己找到了有用的規律 。變成了"這個位置有沒有邊緣"的數字 。對應位置的數字相乘 ，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" 。擅長一件一件地處理複雜任務） ，
科學家們嚐試了很多方法：
讓我用一個簡化的例子來說明 。所以 GPU 特別擅長"同時做很多簡單的計算" 。
這就是 AI 的"聰明" ：不是真的理解 ，至今已經用了半個多世紀 。也就無法調整那些數字 。
所以當你拿手機對著自己的臉 ，排成 3×3 ：
10 10 1010 10 20010 200 200左上角是深色（數字 10 ，圖形處理器）來算。但正確答案是"狗" 。分給大量網上工人完成的平台） ，綜合判斷最終結果） 。完全不需要知道什麽是"臉"、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 ，它通過層層檢測器從數字中提取特征 。層數越多 ，
你可能會好奇 ：如果"讓電腦自己學"這個想法這麽好，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 ，這可能要算好幾個月甚至幾年。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 ，就能得到每個位置的"邊緣強度"和"邊緣方向" 。
假設電腦要判斷一張圖是貓還是狗 。LFW 準確率 99.63%
AI 能"看"了——圖片在它眼裏是數字矩陣，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 ，
但一層檢測器還不夠。
這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文 ，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 ，
整個網絡包含 6000 萬個可調整的數字 。所以選擇了這樣的數字組合。接近白色） 。
"標注好"的意思是 ：每張圖片都有人告訴你"這是貓" 、AI 為什麽能通過律師考試卻會一本正經地撒謊 。它自己發現了"檢測邊緣有助於區分貓和狗" 。背景可能是深色的 ，什麽是"眼睛" 。那可能是一張臉"
電腦沒有被告知"要檢測邊緣" 。top-5 錯誤率 15.3%
所以最終的結果，結果肯定是亂七八糟的 。處理一下 、它有 8 層 。它"看到"的是什麽？不是一個水果的畫麵 ，
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 ，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"，而是一堆數字 。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，幾千萬個參數反複做計算 。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，
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。看一眼屏幕 ，動用了來自 167 個國家的近 5 萬名標注工人 ，當時售價 499 美元），
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 ，解決方法是 ：疊加很多層 。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 ，叫做反向傳播——1986 年由 Rumelhart
、錯了多少？差了很多——它說 60% 是貓
，一個三角形在中間 ，重複幾百萬次之後，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，
這個困境持續了幾十年 ，第一層隻能看到線條 ，最終的錯誤會變大還是變小 ？
這個設計很聰明 ，
但電腦隻看到數字啊 ，就能看到"臉"了 。
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 。等於什麽 ？
差異越大 ，
但文字呢 ？
當你對 ChatGPT 說"蘋果" ，加上"女人" ，
2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU ，讓電腦自己學 。8 層網絡，一個管上下——就能找到圖片中任意方向的邊緣 。層層加工"的計算結構 。所以還能匹配上 。找到了邊緣 ，把兩個結果綜合起來，
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 。兩個檢測器都會給出非零結果 。你拿起手機 ，參數量更是以億計 。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 ，逼網絡學到更通用的規律 ，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 。為什麽這幾個數字能檢測邊緣 ？先看看它怎麽用 ，你就找到了輪廓 、後續文章也會持續更新 。無數種光線 。
比如下麵這個 5×5 的小圖 ：
在電腦裏 ，中間一行全是 0 。
給電腦看 1000 張貓的照片和 1000 張狗的照片 ，5 次都猜錯才算錯）——領先超過 10 個百分點 。檢測器提取出來的數字指紋和你錄入時的差太遠了 。為了建成 ImageNet ，
它錯了 。就是一組數字組成的小模板——把它疊到圖片上 ，
不過你可能發現了 ，突然有人考了 85 分。第二層找形狀，這樣就不會被一張照片騙過去 。瞳孔是深色的，
手機不知道什麽是眼睛 、
每個像素都有一個顏色，
但如果讓電腦自己來選呢 ？
假設我們不再指定這 9 個數字 ，一個很大的正數。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 ，再傳給下一個 。"神經網絡"名稱的起源
電腦會計算：如果某個檢測器裏的某個數字稍微變大一點 ，訓練這樣一個模型 ，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集 。是數字 。訓練出了 AlexNet 。藍色的強度（也是 0 到 255） 。它專門用來檢測垂直方向的邊緣 。叫"參數" 。一層一層往回追溯 ，
但如果我們告訴電腦"正確答案"呢 ？
就像老師批改作業一樣 。
這種"很多層檢測器疊加"的結構 ，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 ，這個方法叫"反向傳播" ，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 。其餘全是 0（暗） 。而是把它們變成"空的"——可以填入任何數值 ：
? ? ?? ? ?? ? ?一開始 ，
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 ，用它來學習的方法 ，從互聯網上收集的真實場景人臉照片 ，所以這幾層叫"卷積層"） 。分別表示紅色 、
這就是電腦"看"圖片的第一步：找到所有顏色突變的位置 。到達一個"很少出錯"的狀態 。每一張都要把所有參數調整一遍 。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域
。也會同時在左右和上下兩個方向上產生亮度差 ，把所有檢測器發現的信息都匯集在一起 ，
有的變成了顏色變化檢測器 。對應位置相乘再相加（這個操作的專業名稱叫"卷積" ，下巴這些區域的麵部特征被口罩擋住了
，
一個現代的人臉識別模型可能有幾百萬到上億個參數 。你從來沒想過這件事有什麽特別的。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 。都是黑色線框" loading="lazy">
比如你的臉和背景之間——皮膚是淺色的 ，就要比較左右兩邊的亮度" ，就叫"深度神經網絡" ，什麽是鼻子 。但對所有數字同時做這種微調 ，就能找到圖片裏顏色變化的地方 。
兩個檢測器配合使用——一個管左右，然後全部加起來 。不過你不需要把這個類比想得太深——它隻是一種"層層傳遞 、右邊一列全是正數 ，
理解了 AI 怎麽"認人"之後
，
還有一些，在 AI 領域有一個專門的名稱，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你
。
仔細看這個檢測器的結構：左邊一列全是負數 ，數字越大 ，想分享給你 。
2009 年 ，和正確答案對比 ：
事實上，
最簡單的情況是黑白照片：純黑是 0 ，沒有人告訴電腦"要檢測眼睛" ，測量臉的立體形狀 ，每張都貼好標簽——"這是貓" 、叫神經網絡 。"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" 、但換了個發型 ，會自己變成有意義的檢測器 。你很快就會明白 。ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，反向傳播算法在 1986 年就發表了 。
三個條件——海量數據 、沒有邊緣 。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。上百層 ，49000 名標注工人來自 167 個國家
讓我把完整的過程串起來 ：
至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，它照樣能解鎖 。什麽是"眼睛" ，解鎖。層層提取特征——和我們前麵講的完全一樣）
這就是電腦"看到"的東西 。
現在你知道手機是怎麽認出你的了 。這些可調整的數字 ，
你看 ，說明邊緣越明顯 。不是圖像，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 ，
不過你可能注意過一個奇怪的事 ：在幾年前 ，檢測更複雜的東西 。為什麽 ？
先別急著回答 。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
、比如 Google 在 2015 年發表的 FaceNet ，覺得不錯的話
，
有的變成了紋理檢測器 。讓下次更可能猜對
怎麽調整 ？不是隨機亂調 ，
要理解手機怎麽"人臉識別" ，建議零售價 $499
如果覺得有意思，隨機填一組數字 ，GPU 算力、貓臉 、判斷"這是不是主人的臉" 。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色 ，這些技術讓更深的網絡變得可訓練 。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，而發型屬於臉的外圍 ，
現在我用一個"檢測器"來掃描它 。我一直很好奇 AI 到底是怎麽工作的 ，它輸出"60% 可能是貓" ，
每天早上 ，
邊緣勾勒出了圖片裏"有東西"的地方 。保持
那次突破有多震撼 ？在 ImageNet 圖像識別比賽中 ，
如果我們換一塊顏色完全相同 、旗艦模型超過 1 億個參數，讓檢測結果更穩定。從 1.6 億張候選圖片中篩選和標注 。識別簡單形狀——圓形 、中間的灰色就是 1 到 254。手機往往就不認識你了 。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 ，隻用加減乘除 ，他們第一次用數學來描述神經元的工作方式 。這也是邊緣 。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 ，
這就是"學習"的本質 ：不是有人教了它規則 ，第三層找五官部件 ，"這是狗" 。"這是汽車" 。
那些檢測器裏的數字 ，證明在特定任務上，就能檢測出圖片裏有沒有某種特征 。越大越亮 。是從幾百萬張人臉照片中"學"出來的 。
想象這樣一個過程 ：
在此之前 ，三角形 、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 ，
彩色照片稍微複雜一點 ：每個像素需要三個數字 ，
找到邊緣之後呢 ？
1968 年的 Sobel 算子能找到邊緣 ，
這就是"訓練" 。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） ，叫 Sobel 算子（"算子"就是"計算工具"的意思） 。才有了 2012 年的突破 。這些小點叫像素——你把手機照片放大再放大 ，而不是死記每張圖的細節） 。
2. 算力
訓練一個模型 ，
這個數字的意思是 ：這裏有一條明顯的邊緣 ，發表於 Nature
整個過程沒有任何"理解" 。
一堆數字 ，無數種角度、而顏色在電腦裏是用數字表示的 。神經網絡的概念在 1940 年代就有了 ，也就是你臉的輪廓 。把那個數字調小一點
每次調整的幅度都很小（比如 0.001） ，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 。
一個邊緣檢測器隻能告訴你"這裏有一條線"，比如 ，把部件變成一組代表你這張臉的數字 ，
2012 年，但換發型還能認出來 ？
因為口罩遮住了臉的下半部分——嘴巴 、
就像考試之後對答案：
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，
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年2026-09-05 01:43
AI加持後2天時間將公司的運維自動化提高了一個層次2026-09-05 01:23
實戰對比 ：用 mpremote/Putty/MobaXterm 連接樹莓派 Pico REPL ，誰更省心 ？2026-09-05 01:15
MHS 三部曲（上） ：別急著叫它「物理 MCP」——Anthropic 到底發布了什麽2026-09-05 00:36
k8s安裝metrics2026-09-05 00:09
[python] pywinauto使用指北2026-09-05 00:08
MicroPython 開發避坑 ：用 Signal 類解決不同電路的電平兼容問題2026-09-04 23:59
AI編程實戰 ：博客建站+RAG知識庫2026-09-04 23:57
AI到底聰明在哪——從手機人臉識別說起2026-09-04 23:19
AI 編碼 Agent 從原理到可運行代碼2026-09-04 23:10
基於NetCorePal Cloud Framework的DDD架構管理係統實踐2026-09-05 01:14
MicroPython 開發避坑 ：用 Signal 類解決不同電路的電平兼容問題2026-09-05 01:01
AI 範式越遷 ：使用 XXL2026-09-05 01:00
經常用 Codex 後 ，我發現 AGENTS.md 隻該管一件事2026-09-05 00:00
大模型RAG實戰 ，從被罵不靠譜到成為部門MVP ，這是我的踩坑全記錄2026-09-04 23:45
AI編程實戰：博客建站+RAG知識庫2026-09-04 23:41
MHS 三部曲（上） ：別急著叫它「物理 MCP」——Anthropic 到底發布了什麽2026-09-04 23:28
訂單的含金量在分化2026-09-04 23:25
一文搞懂 LLM 的 Transformer！看完能和別人吹一年2026-09-04 23:18
AI加持後2天時間將公司的運維自動化提高了一個層次2026-09-04 23:16