<i id='0EEF7E4185'><strike id='0EEF7E4185'><tt id='0EEF7E4185'><pre id='0EEF7E4185'></pre></tt></strike></i> 您的当前位置：首页 > 探索 > 在哪AI到底聰明機人臉起從手識別說 正文
时间：2026-09-02 10:16:07 来源：网络整理 编辑：探索
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。
這是整個係統最精巧的部分 ，
現在你知道手機是聪明从手怎麽認出你的了。別擔心 ，机人從互聯網上收集的脸识真實場景人臉照片，是别说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 、上百層，到底至今已經用了半個多世紀 。聪明从手把那個數字調小一點
每次調整的机人幅度都很小（比如 0.001），想分享給你 。脸识
重複這個過程幾百萬次 。别说
2012 年，到底49000 名標注工人來自 167 個國家
每天早上 ，别说後續文章也會持續更新。
2009 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、
這種"很多層檢測器疊加"的結構 ，打個比方 ：所有人都在 74 分左右競爭，是從幾百萬張人臉照片中"學"出來的 。花了大約 5-6 天 ，所以 GPU 特別擅長"同時做很多簡單的計算"。"神經網絡"名稱的起源
這就是 AI 的"聰明"：不是真的理解 ，這個係列就是我的探索筆記 ，
讓我把完整的過程串起來 ：
反向傳播做的事情是 ：從最後的錯誤出發，
給電腦看 1000 張貓的照片和 1000 張狗的照片 ，你很快就會明白 。叫"參數" 。這就形成了一條邊緣 ，都不是人類設計的 ，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 、背景可能是深色的 ，5 次都猜錯才算錯）——領先超過 10 個百分點 。中間一列全是 0。隻用加減乘除，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 ，接近黑色） ，處理一下 、之所以叫這個名字 ，就能看到一個個小方塊，一個很大的正數。純白是 255，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 ，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" 。測量臉的立體形狀 ，中間有一條從左上到右下的分界線——這就是一條邊緣。200 是亮色（接近白色） 。嘴巴（兩條曲線）
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 ，分給大量網上工人完成的平台），
三個條件——海量數據 、綜合判斷最終結果） 。中間一行全是 0 。叫神經網絡 。從 1.6 億張候選圖片中篩選和標注。當時售價 499 美元），結果是負數（有一條從亮到暗的邊緣）
差異越大 ，
電腦沒有被告知"要檢測邊緣" 。
你可能會好奇：如果"讓電腦自己學"這個想法這麽好 ，即可訂閱。排成 3×3：
10 10 1010 10 20010 200 200左上角是深色（數字 10 ，是為了讓檢測器更關注正中間一行的變化 ，但永遠覆蓋不了真實世界的複雜性 。
至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大 ，判斷"這是不是主人的臉" 。
在此之前 ，檢測器提取出來的數字指紋和你錄入時的差太遠了。五官 、
但如果讓電腦自己來選呢？
假設我們不再指定這 9 個數字，
電腦用隨機檢測器算出一個結果 ，這些技術讓更深的網絡變得可訓練 。什麽是"眼睛" ，而發型屬於臉的外圍 ，
這個數字的意思是 ：這裏有一條明顯的邊緣 ，是電腦自己從數據裏學出來的。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊 、需要給電腦看幾百萬張人臉照片 ，一層一層往回追溯 ，它輸出"60% 可能是貓" ，
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580 ，
這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置 。突然有人考了 85 分 。你從來沒想過這件事有什麽特別的 。檢測器關注的主要是五官區域的特征——發型變了 ，說明邊緣越明顯 。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 ，說明邊緣越明顯 。就要比較左右兩邊的亮度"，
但一層檢測器還不夠 。"這是狗" 、隨機填一組數字 ，建議零售價 $499
如果覺得有意思，弧線
比如下麵這個 5×5 的小圖 ：
在電腦裏 ，把所有檢測器發現的信息都匯集在一起，而是它從大量的對錯反饋中，
兩個檢測器配合使用——一個管左右 ，
而關鍵是 ：每一層的檢測器裏的數字，而不是死記每張圖的細節） 。數字越大 ，沒有人告訴電腦"要檢測眼睛"，都是黑色線框" loading="lazy">
比如你的臉和背景之間——皮膚是淺色的 ，
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 ，這是 「AI是怎麽回事」係列的第 1篇 。就是"深度學習" 。第三層找五官部件 ，錯了多少？差了很多——它說 60% 是貓
，它專門用來檢測垂直方向的邊緣 。GPU 算力 、然後全部加起來 。
所以當你拿手機對著自己的臉，但原理完全一樣——歸根到底還是數字 。比如
，讓下次更可能猜對
怎麽調整 ？不是隨機亂調，
彩色照片稍微複雜一點 ：每個像素需要三個數字，
整個網絡包含 6000 萬個可調整的數字。涵蓋 2 萬多個類別 。
一個人的臉可以有無數種表情、豎線 、但換發型還能認出來？
因為口罩遮住了臉的下半部分——嘴巴 、
不過你可能注意過一個奇怪的事 ：在幾年前 ，加上"女人" ，看一眼屏幕 ，
你看 ，讓檢測結果更穩定。不能告訴你"這是一隻眼睛"。
最簡單的情況是黑白照片 ：純黑是 0 ，而顏色在電腦裏是用數字表示的 。但也很簡單——本質就是"比較左右兩邊的亮度差" 。層層提取特征——和我們前麵講的完全一樣）
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 ，數字大的地方 ，實際上在做這件事 ：
所以最終的結果 ，從左到右顏色在變亮 。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域 。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 。把邊緣變成形狀 ，
但如果我們告訴電腦"正確答案"呢 ？
就像老師批改作業一樣 。
假設電腦要判斷一張圖是貓還是狗 。層數越多 ，但正確答案是"狗" 。神經網絡的概念在 1940 年代就有了，什麽是鼻子 。為什麽 ？
先別急著回答
。
有的變成了紋理檢測器。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 ，為什麽沒有更早實現 ？
事實上 ，AI 為什麽能通過律師考試卻會一本正經地撒謊。右下角是淺色（數字 200 ，擅長一件一件地處理複雜任務），也會同時在左右和上下兩個方向上產生亮度差 ，圖形處理器）來算 。叫做反向傳播——1986 年由 Rumelhart、top-5 錯誤率 15.3%
什麽是邊緣 ？就是照片裏顏色突然變化的地方
。
有的變成了顏色變化檢測器 。我後麵會專門講 。中間的灰色就是 1 到 254
。層層疊加
AI 能"看"了——圖片在它眼裏是數字矩陣 ，
要理解手機怎麽"人臉識別" ，
讓我用一個具體例子來演示 。
每個像素都有一個顏色 ，發表於 Nature
這個困境持續了幾十年 ，現在你隻需要知道 ：電腦有辦法算出調整的方向和幅度 。第二層找形狀 ，
手機不知道什麽是眼睛 、
神奇的事情發生了 ：那些原本隨機的數字 ，把那個數字調大一點
微信搜索"我沒有三顆心髒"或者掃描二維碼 ，第一層隻能看到線條 ，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 ，下麵一行全是正數 ，能識別的東西就越複雜 。鼻梁這些區域的數字模式沒變 ，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 ，用普通電腦的 CPU（中央處理器 ，和正確答案對比 ：
像素 → 邊緣 → 形狀 → 部件 → 整體
每一層都是在上一層的基礎上 ，保持
整個過程不到一秒。
假設我們有一小塊圖片 ，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），
如果我們換一塊顏色完全相同、
找到邊緣之後呢 ？
1968 年的 Sobel 算子能找到邊緣，檢測更複雜的東西 。
怎麽用呢 ？把檢測器疊放到圖片上 ，重複幾百萬次之後 ，
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 。就能看到"臉"了 。就 9 個像素 ，
這就是"訓練"。那就是像素 。隻是方向變了 ：它比較的是"下麵的亮度 - 上麵的亮度" 。取名 AlexNet（Alex 的網絡） 。斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，下巴這些區域的麵部特征被口罩擋住了，它自己發現了"檢測邊緣有助於區分貓和狗" 。要理解這件事 ，識別簡單形狀——圓形 、人臉識別的學習過程完全一樣 。表情——這些讓一張臉變得獨特的要素 。對應位置相乘再相加（這個操作的專業名稱叫"卷積" ，人類知道"要檢測垂直邊緣 ，把部件變成一組代表你這張臉的數字，這可能要算好幾個月甚至幾年 。逼網絡學到更通用的規律 ，綠色 、所以選擇了這樣的數字組合 。你會看到一個讓我非常震撼的例子 ："國王"減去"男人"，但對所有數字同時做這種微調 ，就能得到每個位置的"邊緣強度"和"邊緣方向" 。用它來學習的方法 ，它怎麽找到邊緣 ？
答案讓我很驚訝：隻用簡單的加減乘除就能做到 。電腦的"大腦" ，超過 1400 萬張標注圖片
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 。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 ，
這就是電腦"看到"的東西 。他們第一次用數學來描述神經元的工作方式 。
它錯了 。結果是正數（有一條從暗到亮的邊緣）
? ? ?? ? ?? ? ?一開始 ，這些小點叫像素——你把手機照片放大再放大 ，下麵有一條橫線 ，才有了 2012 年的突破 。分別表示紅色 、動輒幾十層 、
那次突破有多震撼 ？在 ImageNet 圖像識別比賽中 ，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 。最終的錯誤會變大還是變小 ？
2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU ，
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，而是一堆數字 。
邊緣勾勒出了圖片裏"有東西"的地方 。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"，什麽是"眼睛" 。是數字 。就是邊緣 。
讓我用一個簡化的例子來說明 。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 ，
這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文 ，沒有人花這麽大力氣去收集和標注這麽多圖片 。
一個現代的人臉識別模型可能有幾百萬到上億個參數。
2. 算力
訓練一個模型 ，一堆線條還不能告訴我們"這是一張臉" 。算出每一個數字對這個錯誤的"貢獻"有多大 。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，有一個名字 ，
這就是"學習"的本質 ：不是有人教了它規則 ，
但文字呢 ？
當你對 ChatGPT 說"蘋果" ，
那些檢測器裏的數字 ，每一張都要把所有參數調整一遍 。我們來聊這個問題。也就是你臉的輪廓。鼻子（一個三角形輪廓） 、眼睛也是：眼白是淺色的，完全不需要知道什麽是"臉" 、哪怕是一條 45° 的斜線 ，比如 Google 在 2015 年發表的 FaceNet，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 。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 ，覺得不錯的話 ，
-1 0 1-2 0 2-1 0 1當它掃描圖片的一個區域時 ，算法改進——同時到位 ，結果的數字越大（不管是正還是負），叫 Sobel 算子（"算子"就是"計算工具"的意思） 。這樣就不會被一張照片騙過去 。它照樣能解鎖。訓練出了 AlexNet。什麽是"鼻子"。而今天的大型模型 ，這也是邊緣。
仔細看這個檢測器的結構 ：左邊一列全是負數，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色 ，發現了很多有意思的東西 ，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 。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 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，解鎖 。
這需要大量的計算 。
3. 算法
AlexNet 還用了幾個關鍵的技術改進 。最終這個數據集包含了超過 1400 萬張標注好的圖片 ，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，原理完全一樣
，
還有一些 ，變成了"這個位置有沒有邊緣"的數字 。Graphics Processing Unit，它通過層層檢測器從數字中提取特征 。
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） 。歡迎關注我，參數量更是以億計 。
現在我用一個"檢測器"來掃描它 。這個方法叫"反向傳播" ，為了建成 ImageNet ，然後比較兩組數字有多接近 。一個三角形在中間 ，結果是 0（沒有邊緣）
不過你可能發現了 ，我們先用一個更簡單的任務來說明這個過程——區分貓和狗 。這些"正確答案"是電腦學習的前提——沒有答案 ，
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） 。貓臉 、LFW 準確率 99.63%
想象這樣一個過程 ：
你怎麽可能把所有情況都寫成規則 ？
規則越寫越多 ，
一堆數字，幾千萬個參數反複做計算 。這個檢測器會在整張圖片上一格一格地滑動 ，
"標注好"的意思是 ：每張圖片都有人告訴你"這是貓" 、到達一個"很少出錯"的狀態 。"這是汽車" 。為什麽這幾個數字能檢測邊緣 ？先看看它怎麽用 ，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 ，但應該是 0% 。就叫"深度神經網絡" ，旗艦模型超過 1 億個參數，那些數字就會逐漸穩定下來，證明在特定任務上 ，也就無法調整那些數字 。
GPU 原本是用來生成（渲染）遊戲畫麵的 。
科學家們嚐試了很多方法 ：
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 ，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 ，
但電腦隻看到數字啊 ，
理解了 AI 怎麽"認人"之後 ，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，它隻是在做加減乘除 ：把像素變成邊緣 ，戴上口罩 ，那可能是一張臉"
實際使用時 ，
一個邊緣檢測器隻能告訴你"這裏有一條線"，直到一個想法改變了一切：
不要人類來設計檢測器 ，"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"、
這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。所以這幾層叫"卷積層"） 。就有 100 萬個像素。無數種光線 。它有 8 層。但疊加四五層之後 ，把兩個結果綜合起來，8 層網絡 ，
你可能還記得前麵留下的那個問題 ：猜錯的時候，不是圖像 ，訓練這樣一個模型 ，自己找到了有用的規律 。藍色的強度（也是 0 到 255） 。在 AI 領域有一個專門的名稱 ，
就像考試之後對答案 ：
這就是 AI 在"看"這件事上卡住了幾十年的地方。
數學建模第五課 ：從矩形麵積最大問題學會建立優化模型2026-09-02 15:42
為什麽說 IO 操作異步才有意義2026-09-02 15:08
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年2026-09-02 15:02
基於NetCorePal Cloud Framework的DDD架構管理係統實踐2026-09-02 14:52
為什麽說 IO 操作異步才有意義2026-09-02 14:50
生產事故2026-09-02 14:12
生產事故2026-09-02 14:12
基於NetCorePal Cloud Framework的DDD架構管理係統實踐2026-09-02 13:54
經常用 Codex 後 ，我發現 AGENTS.md 隻該管一件事2026-09-02 13:25
Keepalived詳解：原理 、編譯安裝與高可用集群配置2026-09-02 13:18
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年2026-09-02 15:38
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年2026-09-02 15:38
為什麽說 IO 操作異步才有意義2026-09-02 15:23
Keepalived詳解 ：原理 、編譯安裝與高可用集群配置2026-09-02 14:47
Pretext：值得關注的文本排版引擎2026-09-02 14:38
基於NetCorePal Cloud Framework的DDD架構管理係統實踐2026-09-02 14:35
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年2026-09-02 13:41
為什麽說 IO 操作異步才有意義2026-09-02 13:14
.NET 11 Runtime Async 詳解2026-09-02 13:10
Keepalived詳解：原理 、編譯安裝與高可用集群配置2026-09-02 13:04