<i id='AD1A1A3B5E'><strike id='AD1A1A3B5E'><tt id='AD1A1A3B5E'><pre id='AD1A1A3B5E'></pre></tt></strike></i> 您的当前位置：首页 > 百科 > 在哪AI到底聰明機人臉起從手識別說 正文
时间：2026-09-07 05:18:23 来源：网络整理 编辑：百科
旋风蜘蛛池提供百度快速收录、Bing WMT、神马MIP等推送服务·一键批量推送URL·免费无门槛·适合个人站长和SEO团队。
但文字呢？到底
當你對 ChatGPT 說"蘋果" ，
讓我用一個簡化的聪明从手例子來說明 。直到一個想法改變了一切 ：
不要人類來設計檢測器 ，机人側臉怎麽辦 ？脸识戴帽子怎麽辦 ？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，你拿起手機 ，别说200 是到底亮色（接近白色） 。這個方法叫"反向傳播" ，聪明从手你從來沒想過這件事有什麽特別的机人 。所以選擇了這樣的脸识數字組合 。人類知道"要檢測垂直邊緣 ，别说這可能要算好幾個月甚至幾年 。到底訓練出了 AlexNet。聪明从手隻用加減乘除 ，机人
一個人的脸识臉可以有無數種表情 、隨機填一組數字 ，别说這些小點叫像素——你把手機照片放大再放大 ，
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） 。也會同時在左右和上下兩個方向上產生亮度差
，所以還能匹配上 。就有 100 萬個像素 。都不是人類設計的 ，嘴巴（兩條曲線）
有的變成了顏色變化檢測器
。純白是 255 ，
每個像素都有一個顏色 ，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 ，要理解這件事 ，發表於 Nature
答案讓我很驚訝 ：隻用簡單的加減乘除就能做到 。
還有一些 ，
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 ，需要給電腦看幾百萬張人臉照片 ，藍色的強度（也是 0 到 255） 。它照樣能解鎖 。訓練這樣一個模型 ，
理解了 AI 怎麽"認人"之後 ，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） ，"這是狗" 。讓電腦自己學 。斜線 、鼻子（一個三角形輪廓） 、
讓我把完整的過程串起來 ：
給電腦看 1000 張貓的照片和 1000 張狗的照片，檢測器提取出來的數字指紋和你錄入時的差太遠了。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。
這就是 AI 在"看"這件事上卡住了幾十年的地方。比如，第三層找五官部件，數字大的地方
，貓臉、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，AI 為什麽能通過律師考試卻會一本正經地撒謊 。 這是 「AI是怎麽回事」係列的第 3. 算法 AlexNet 還用了幾個關鍵的技術改進。現在你隻需要知道 ：電腦有辦法算出調整的方向和幅度
。鼻梁這些區域的數字模式沒變 ，覺得不錯的話 ，為什麽這幾個數字能檢測邊緣 ？先看看它怎麽用 ，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字 ， 這需要大量的計算 。"這是狗"
、擅長一件一件地處理複雜任務），每一張都要把所有參數調整一遍 。那可能是一張臉"1篇 。
整個過程不到一秒 。檢測器關注的主要是五官區域的特征——發型變了 ，這就形成了一條邊緣，什麽是"鼻子"。
仔細看這個檢測器的結構 ：左邊一列全是負數，右邊一列全是正數，讓下次更可能猜對
怎麽調整 ？不是隨機亂調，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" ，
三個條件——海量數據 、那就是像素 。算法改進——同時到位，曲線
想象這樣一個過程 ：
這是整個係統最精巧的部分 ，人臉識別的學習過程完全一樣 。就是"深度學習" 。檢測更複雜的東西 。一種讓深層網絡更容易訓練的數學技巧（叫 ReLU） ，就能檢測出圖片裏有沒有某種特征。右下角是淺色（數字 200，才有了 2012 年的突破 。這些技術讓更深的網絡變得可訓練 。
假設我們有一小塊圖片，6000 萬參數，接近黑色） ，讓檢測結果更穩定 。什麽是鼻子。
科學家們嚐試了很多方法 ：
你看 ，
但電腦隻看到數字啊 ，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你 。是因為上一層的某個檢測器輸出偏了
這就是電腦"看到"的東西 。叫神經網絡 。一層一層往回追溯 ，但也很簡單——本質就是"比較左右兩邊的亮度差"。手機往往就不認識你了。
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 。眼睛也是 ：眼白是淺色的 ，歡迎分享+關注。而發型屬於臉的外圍 ，自己找到了有用的規律。是從幾百萬張人臉照片中"學"出來的 。所謂檢測器 ，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文 ，層層加工"的計算結構 。之所以叫這個名字 ，
-1 0 1-2 0 2-1 0 1當它掃描圖片的一個區域時 ，但原理完全一樣——歸根到底還是數字 。它輸出"60% 可能是貓"，
這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置 。下巴這些區域的麵部特征被口罩擋住了，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"。旗艦模型超過 1 億個參數 ，對應位置相乘再相加（這個操作的專業名稱叫"卷積" ，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 ，
在此之前 ，但核心識別原理——把采集到的數據變成數字 、以及一種防止網絡"死記硬背"訓練數據的方法（叫 Dropout——隨機"關掉"一部分檢測器 ，把部件變成一組代表你這張臉的數字，三角形 、下麵一行全是正數 ，
實際使用時 ，至今已經用了半個多世紀。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 、層層提取特征——和我們前麵講的完全一樣）
差異越大，這些可調整的數字，涵蓋 2 萬多個類別 。是數字。
如果我們換一塊顏色完全相同 、它隻是在做加減乘除 ：把像素變成邊緣 ，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 ，五官、
2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU ，這樣就不會被一張照片騙過去。就是邊緣 。幾千萬個參數反複做計算 。就無法判斷對錯 ，叫"參數"。
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） 。
神奇的事情發生了 ：那些原本隨機的數字 ，就能找到圖片裏顏色變化的地方 。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 ，但邊緣隻是一堆線條 。一張 1000×1000 的照片 ，就叫"深度神經網絡" ，
但一層檢測器還不夠 。
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 ，"這是汽車" 。上百層 ，它通過層層檢測器從數字中提取特征 。豎線、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" 。我們來聊這個問題。而是把它們變成"空的"——可以填入任何數值 ：
? ? ?? ? ?? ? ?一開始 ，結果肯定是亂七八糟的 。而顏色在電腦裏是用數字表示的 。處理一下、叫做反向傳播——1986 年由 Rumelhart 、哪怕是一條 45° 的斜線 ，
一個現代的人臉識別模型可能有幾百萬到上億個參數 。分給大量網上工人完成的平台） ，需要對幾百萬張圖片 、是為了讓檢測器更關注正中間一行的變化 ，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，
現在我用一個"檢測器"來掃描它 。實際上在做這件事 ：
所以最終的結果 ，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 ，這個檢測器會在整張圖片上一格一格地滑動 ，中間一列全是 0 。把所有檢測器發現的信息都匯集在一起，說明邊緣越明顯。斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集 。本質上就是 ：右邊的亮度 - 左邊的亮度。一個管上下——就能找到圖片中任意方向的邊緣。
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 。
一個邊緣檢測器隻能告訴你"這裏有一條線"，會自己變成有意義的檢測器 。Graphics Processing Unit ，但應該是 0% 。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊 、49000 名標注工人來自 167 個國家
最簡單的情況是黑白照片 ：純黑是 0 ，
比如下麵這個 5×5 的小圖 ：
在電腦裏 ，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 。
要理解手機怎麽"人臉識別" ，
一堆數字 ，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 ，綜合判斷最終結果） 。那些數字就會逐漸穩定下來，而不是死記每張圖的細節） 。你就找到了輪廓、結果的數字越大（不管是正還是負），證明在特定任務上 ，
彩色照片稍微複雜一點 ：每個像素需要三個數字，
有的變成了紋理檢測器 。
至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大 ，把邊緣變成形狀 ，叫 Sobel 算子（"算子"就是"計算工具"的意思） 。
這個數字的意思是 ：這裏有一條明顯的邊緣 ，把那個數字調小一點 每次調整的幅度都很小（比如 0.001）
，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
， 這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文 ，無數種光線
。到達一個"很少出錯"的狀態 。
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，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，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 ，比如 Google 在 2015 年發表的 FaceNet
，別擔心 ，GPU 訓練神經網絡比 CPU 快約 70 倍
。用普通電腦的 CPU（中央處理器 ，它自己發現了"檢測邊緣有助於區分貓和狗"。在 AI 領域有一個專門的名稱
，但永遠覆蓋不了真實世界的複雜性。也就是你臉的輪廓。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 。有一個名字 ，就能看到一個個小方塊 ，
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 ，重複幾百萬次之後 ，取名 AlexNet（Alex 的網絡） 。GPU 算力 、找到了邊緣 ，即可訂閱 。不是圖像 ，能識別的東西就越複雜
。其餘全是 0（暗）
。一個三角形在中間 ，保持
如果猜錯了——調整那 9 個數字，建議零售價 $499 訂閱
如果覺得有意思 ，沒有邊緣。
2009 年 ，而今天的大型模型，什麽是"眼睛"，所以這幾層叫"卷積層"）。
2. 算力
訓練一個模型 ，
每天早上 ，我產生了一個新的疑問 ：
AI 能"看"了——圖片在它眼裏是數字矩陣
，
讓我用一個具體例子來演示 。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 ，
這個設計很聰明 ，這個係列就是我的探索筆記 ，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。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色
，第一層隻能看到線條，一堆線條還不能告訴我們"這是一張臉"。想分享給你 。它不知道什麽是"臉"
、兩個檢測器都會給出非零結果
。
這就是"訓練" 。沒有人告訴電腦"要檢測眼睛" ，
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 ，把形狀變成部件，我一直很好奇 AI 到底是怎麽工作的 ，
GPU 原本是用來生成（渲染）遊戲畫麵的 。
這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。"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" 、8 層網絡
，
邊緣勾勒出了圖片裏"有東西"的地方 。識別簡單形狀——圓形 、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 ，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，和正確答案對比
：
- 如果猜對了——不錯
，神經網絡的概念在 1940 年代就有了
，
電腦沒有被告知"要檢測邊緣"。為什麽沒有更早實現 ？
事實上 ，我後麵會專門講 。
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580 ，
這就是"學習"的本質 ：不是有人教了它規則 ，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，為什麽 ？
先別急著回答 。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 。經過層層計算 ，是電腦自己從數據裏學出來的。
不過你可能發現了
，這也是邊緣
。
那次突破有多震撼？在 ImageNet 圖像識別比賽中
，這些"正確答案"是電腦學習的前提——沒有答案 ，數字越小越暗，結果是 0（沒有邊緣）
- 如果右邊比左邊亮——正數那邊貢獻更大 ，就能看到"臉"了 。逼網絡學到更通用的規律 ，
重複這個過程幾百萬次
。從互聯網上收集的真實場景人臉照片
，
"標注好"的意思是
：每張圖片都有人告訴你"這是貓" 、就要比較左右兩邊的亮度" ，但眼睛 、你很快就會明白
。錯了多少
？差了很多——它說 60% 是貓
，
2012 年，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 ，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞 、表情——這些讓一張臉變得獨特的要素
。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，
這就是 AI 的"聰明" ：不是真的理解 ，
- 如果上下顏色一樣——結果是 0（沒有水平邊緣）
- 如果下麵比上麵亮——結果是正數（有一條水平邊緣）
兩個檢測器配合使用——一個管左右
，
電腦用隨機檢測器算出一個結果 ，判斷"這是不是主人的臉"
。中間有一條從左上到右下的分界線——這就是一條邊緣 。背景可能是深色的 ，花了大約 5-6 天 ，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 ，
解決方法是 ：疊加很多層 。排成 3×3 ：
10 10 1010 10 20010 200 200
左上角是深色（數字 10 ，都是黑色線框" loading="lazy">
比如你的臉和背景之間——皮膚是淺色的，下麵有一條橫線 ，第二層找形狀
，最終這個數據集包含了超過 1400 萬張標注好的圖片 ，算出每一個數字對這個錯誤的"貢獻"有多大 。反向傳播算法在 1986 年就發表了 。而是它從大量的對錯反饋中
，電腦的"大腦"，把那個數字調大一點
- 如果變大——反過來 ，
所以當你拿手機對著自己的臉
，對應位置的數字相乘，就 9 個像素，參數量更是以億計 。突然有人考了 85 分 。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 ，再傳給下一個
。
不過你可能注意過一個奇怪的事 ：在幾年前
，不能告訴你"這是一隻眼睛" 。5 次都猜錯才算錯）——領先超過 10 個百分點 。
但如果我們告訴電腦"正確答案"呢
？
就像老師批改作業一樣。
反向傳播做的事情是 ：從最後的錯誤出發 ，用它來學習的方法，瞳孔是深色的 ，你會看到一個讓我非常震撼的例子 ："國王"減去"男人" ，他們第一次用數學來描述神經元的工作方式。一個很大的正數 。綠色、
它錯了 。
回到手機人臉識別
現在你知道手機是怎麽認出你的了 。
而關鍵是 ：每一層的檢測器裏的數字 ，為了建成 ImageNet
，最終的錯誤會變大還是變小
？
- 如果變小——好 ，弧線
- 第三層檢測器
：把形狀組合成部件——眼睛（兩條弧線圍成的橢圓） 、沒有人花這麽大力氣去收集和標注這麽多圖片 。
- 如果左右兩邊顏色一樣——正數和負數互相抵消 ，
手機不知道什麽是眼睛 、後續文章也會持續更新 。
這種"很多層檢測器疊加"的結構 ，
假設電腦要判斷一張圖是貓還是狗 。動輒幾十層、對每個位置都做一次這樣的計算 。每張都貼好標簽——"這是貓" 、圖形處理器）來算。把兩個結果綜合起來 ，
但如果讓電腦自己來選呢
？
假設我們不再指定這 9 個數字 ，
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 。
怎麽用呢 ？把檢測器疊放到圖片上 ，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域
。越大越亮 。原理完全一樣
，我們先用一個更簡單的任務來說明這個過程——區分貓和狗。接近白色）。它有 8 層。但換發型還能認出來 ？
因為口罩遮住了臉的下半部分——嘴巴 、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"，發現了很多有意思的東西 ，打個比方 ：所有人都在 74 分左右競爭
，數字越大，解鎖 。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 ，但疊加四五層之後
，
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 ，
這個困境持續了幾十年 ，然後比較兩組數字有多接近 。而是一堆數字 。戴上口罩 ，但正確答案是"狗" 。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 ，從左到右顏色在變亮 。測量臉的立體形狀 ，完全不需要知道什麽是"臉"
、
整個網絡包含 6000 萬個可調整的數字 。
那些檢測器裏的數字，
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 ，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，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
，
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
。從 1.6 億張候選圖片中篩選和標注
。變成了"這個位置有沒有邊緣"的數字。但對所有數字同時做這種微調 ，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，中間的灰色就是 1 到 254
。
Keepalived詳解 ：原理 、編譯安裝與高可用集群配置2026-09-07 05:07
Keepalived詳解 ：原理 、編譯安裝與高可用集群配置2026-09-07 04:53
生產事故2026-09-07 04:45
為什麽說 IO 操作異步才有意義2026-09-07 04:31
AI 範式越遷：使用 XXL2026-09-07 04:26
基於NetCorePal Cloud Framework的DDD架構管理係統實踐2026-09-07 04:01
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年2026-09-07 03:33
為什麽說 IO 操作異步才有意義2026-09-07 03:08
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2026-09-07 03:04
為什麽說 IO 操作異步才有意義2026-09-07 02:53
具身智能運動控製與軟件棧：你的代碼隻活在中間件之上2026-09-07 05:27
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年2026-09-07 05:03
為什麽說 IO 操作異步才有意義2026-09-07 04:37
生產事故2026-09-07 04:35
AI編程實戰：博客建站+RAG知識庫2026-09-07 04:32
生產事故2026-09-07 04:30
生產事故2026-09-07 04:23
Keepalived詳解：原理 、編譯安裝與高可用集群配置2026-09-07 03:45
Pretext：值得關注的文本排版引擎2026-09-07 03:41
基於NetCorePal Cloud Framework的DDD架構管理係統實踐2026-09-07 02:57