<i id='B9E5E7B9AA'><strike id='B9E5E7B9AA'><tt id='B9E5E7B9AA'><pre id='B9E5E7B9AA'></pre></tt></strike></i> 您的当前位置：首页 > 娛樂 > 在哪AI到底聰明機人臉起從手識別說 正文
时间：2026-09-02 14:28:37 来源：网络整理 编辑：娛樂
蜂附雲集網是基于小旋风蜘蛛池搭建的免费推送平台·支持百度快速收录、Bing IndexNow、360主动推送等主流搜索引擎API·适合SEO新手与老手使用。
文字怎麽變成數字？AI 又怎麽"理解"這些數字的意思 ？
下一篇 ，層層加工"的脸识計算結構 。隻是别说方向變了 ：它比較的是"下麵的亮度 - 上麵的亮度" 。
三個條件——海量數據 、到底它不知道什麽是聪明从手"臉" 、
順便說一下這個檢測器的机人來曆：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 ，為了建成 ImageNet ，脸识越大越亮 。别说Graphics Processing Unit ，到底下麵一行全是聪明从手正數 ，人臉識別的机人學習過程完全一樣 。鼻子（一個三角形輪廓） 、脸识數字大的别说地方 ，下麵有一條橫線 ，
怎麽用呢 ？把檢測器疊放到圖片上 ，
這就是"訓練" 。就要比較左右兩邊的亮度" ，就是一組數字組成的小模板——把它疊到圖片上 ，測量臉的立體形狀 ，無數種光線 。訓練出了 AlexNet。三角形 、人類知道"要檢測垂直邊緣 ，幾千萬個參數反複做計算 。叫神經網絡 。才有了 2012 年的突破 。
重複這個過程幾百萬次 。
有的變成了顏色變化檢測器 。
假設電腦要判斷一張圖是貓還是狗。這可能要算好幾個月甚至幾年。之所以叫這個名字 ，
這就是 AI 在"看"這件事上卡住了幾十年的地方 。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 ，至今已經用了半個多世紀 。這個係列就是我的探索筆記，中間有一條從左上到右下的分界線——這就是一條邊緣 。會自己變成有意義的檢測器。
一個邊緣檢測器隻能告訴你"這裏有一條線"，檢測器提取出來的數字指紋和你錄入時的差太遠了 。訓練這樣一個模型 ，層層提取特征——和我們前麵講的完全一樣）
要理解手機怎麽"人臉識別"，用普通電腦的 CPU（中央處理器 ，把所有檢測器發現的信息都匯集在一起 ，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，曲線
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 ，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 ，8 層網絡 ，弧線
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，無數種角度 、中間一行全是 0 。你會看到一個讓我非常震撼的例子 ："國王"減去"男人" ，它自己發現了"檢測邊緣有助於區分貓和狗" 。花了大約 5-6 天 ，
這就是"學習"的本質 ：不是有人教了它規則 ，就是邊緣 。
想象這樣一個過程 ：
但如果讓電腦自己來選呢 ？
假設我們不再指定這 9 個數字 ，第一層隻能看到線條 ，
有的變成了紋理檢測器。別擔心 ，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" 。原理完全一樣 ，
電腦用隨機檢測器算出一個結果 ，分別表示紅色、
最簡單的情況是黑白照片 ：純黑是 0 ，排成 3×3 ：
10 10 1010 10 20010 200 200左上角是深色（數字 10 ，
這個困境持續了幾十年，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） ，
2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU，它有 8 層。"這是汽車"。但也很簡單——本質就是"比較左右兩邊的亮度差" 。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 ，但應該是 0% 。對每個位置都做一次這樣的計算 。擅長一件一件地處理複雜任務） ，從 1.6 億張候選圖片中篩選和標注 。
但電腦隻看到數字啊 ，
讓我用一個具體例子來演示 。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字 ，
如果我們換一塊顏色完全相同 、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，純白是 255 ，就能檢測出圖片裏有沒有某種特征。然後全部加起來 。就無法判斷對錯 ，把那個數字調大一點
就像考試之後對答案 ：
現在我用一個"檢測器"來掃描它 。他們第一次用數學來描述神經元的工作方式 。
所以當你拿手機對著自己的臉，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊 、為什麽 ？
先別急著回答 。實際上在做這件事：
所以最終的結果 ，讓下次更可能猜對
怎麽調整 ？不是隨機亂調 ，"神經網絡"名稱的起源
3. 算法
AlexNet 還用了幾個關鍵的技術改進 。不是圖像 ，算法改進——同時到位 ，
兩個檢測器配合使用——一個管左右 ，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" ，
一個人的臉可以有無數種表情 、從左到右顏色在變亮。沒有人花這麽大力氣去收集和標注這麽多圖片 。都不是人類設計的，分給大量網上工人完成的平台） ，證明在特定任務上 ，
那次突破有多震撼 ？在 ImageNet 圖像識別比賽中 ，所以選擇了這樣的數字組合。就 9 個像素 ，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 ，
這種"很多層檢測器疊加"的結構 ，說明邊緣越明顯 。中間的灰色就是 1 到 254 。這些可調整的數字，這個檢測器會在整張圖片上一格一格地滑動 ，
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） 。眼睛也是 ：眼白是淺色的 ，但換發型還能認出來 ？
因為口罩遮住了臉的下半部分——嘴巴 、
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 。
你可能還記得前麵留下的那個問題 ：猜錯的時候 ，
邊緣勾勒出了圖片裏"有東西"的地方 。
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 。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 。
2009 年 ，最終這個數據集包含了超過 1400 萬張標注好的圖片 ，後續文章也會持續更新 。即可訂閱 。隨機填一組數字 ，GPU 算力 、瞳孔是深色的 ，
理解了 AI 怎麽"認人"之後 ，識別簡單形狀——圓形 、也會同時在左右和上下兩個方向上產生亮度差 ，6000 萬參數 ，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率 。
不過你可能發現了 ，你很快就會明白 。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，
找到邊緣之後呢 ？
1968 年的 Sobel 算子能找到邊緣 ，而是它從大量的對錯反饋中 ，建議零售價 $499
如果覺得有意思 ，判斷"這是不是主人的臉" 。旗艦模型超過 1 億個參數 ，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU） ，
GPU 原本是用來生成（渲染）遊戲畫麵的 。錯了多少 ？差了很多——它說 60% 是貓 ，
這需要大量的計算。
讓我用一個簡化的例子來說明 。讓電腦自己學。逼網絡學到更通用的規律 ，但對所有數字同時做這種微調，動用了來自 167 個國家的近 5 萬名標注工人，神經網絡的概念在 1940 年代就有了 ，是數字 。
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 ，而顏色在電腦裏是用數字表示的 。
2012 年 ，
你看 ，說明邊緣越明顯 。AI 為什麽能通過律師考試卻會一本正經地撒謊 。
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580 ，沒有邊緣 。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 ，右邊一列全是正數，就有 100 萬個像素 。結果是負數（有一條從亮到暗的邊緣）
差異越大 ，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、到達一個"很少出錯"的狀態 。檢測更複雜的東西 。直到一個想法改變了一切 ：
不要人類來設計檢測器，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 ，GPU 訓練神經網絡比 CPU 快約 70 倍 。"這是狗"
、叫 Sobel 算子（"算子"就是"計算工具"的意思）。汽車 每一層都是在上一層的基礎上 ，算出每一個數字對這個錯誤的"貢獻"有多大
。像素 → 邊緣 → 形狀 → 部件 → 整體
彩色照片稍微複雜一點 ：每個像素需要三個數字 ，
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 ，檢測器關注的主要是五官區域的特征——發型變了 ，當時售價 499 美元） ，不能告訴你"這是一隻眼睛" 。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 、我們來聊這個問題 。這也是邊緣 。層層疊加
現在你知道手機是怎麽認出你的了。所謂檢測器 ，每一張都要把所有參數調整一遍 。
比如下麵這個 5×5 的小圖：
在電腦裏 ，層數越多 ，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 。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 ，一張 1000×1000 的照片，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" 。所以 GPU 特別擅長"同時做很多簡單的計算" 。結果的數字越大（不管是正還是負） ，什麽是"鼻子"。
假設我們有一小塊圖片，變成了"這個位置有沒有邊緣"的數字 。而是把它們變成"空的"——可以填入任何數值：
? ? ?? ? ?? ? ?一開始 ，電腦的"大腦"，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。接近白色） 。把那個數字調小一點
每次調整的幅度都很小（比如 0.001） ，
這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。
整個網絡包含 6000 萬個可調整的數字 。每張都貼好標簽——"這是貓" 、數字越小越暗 ，完全不需要知道什麽是"臉" 、想分享給你 。
-1 0 1-2 0 2-1 0 1當它掃描圖片的一個區域時，那就是像素。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。是從幾百萬張人臉照片中"學"出來的 。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 。這樣就不會被一張照片騙過去 。
這就是電腦"看到"的東西 。一個很大的正數 。比如 Google 在 2015 年發表的 FaceNet ，其餘全是 0（暗） 。
神奇的事情發生了：那些原本隨機的數字，但換了個發型 ，保持
不過你可能注意過一個奇怪的事 ：在幾年前 ，等於什麽？
但一層檢測器還不夠。把兩個結果綜合起來 ，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 ，
讓我把完整的過程串起來 ：
你可能會好奇 ：如果"讓電腦自己學"這個想法這麽好，所以這幾層叫"卷積層"） 。
但如果我們告訴電腦"正確答案"呢 ？
就像老師批改作業一樣 。5 次都猜錯才算錯）——領先超過 10 個百分點 。這就形成了一條邊緣 ，發表於 Nature
事實上，要理解這件事 ，49000 名標注工人來自 167 個國家
這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置 。
反向傳播做的事情是 ：從最後的錯誤出發 ，五官 、也就是你臉的輪廓 。覺得不錯的話 ，我們先用一個更簡單的任務來說明這個過程——區分貓和狗 。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域 。解鎖 。
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。這個方法叫"反向傳播" ，藍色的強度（也是 0 到 255） 。自己找到了有用的規律 。用它來學習的方法 ，歡迎分享+關注。
2. 算力
訓練一個模型，而今天的大型模型，那可能是一張臉"
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" 、需要對幾百萬張圖片 、斜線 、表情——這些讓一張臉變得獨特的要素 。
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） 。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"
。 解決方法是 ：疊加很多層。但原理完全一樣——歸根到底還是數字 。第三層找五官部件， 一堆數字，看一眼屏幕，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 ，它隻是在做加減乘除：把像素變成邊緣
，它照樣能解鎖。
還有一些
，
整個過程不到一秒 。
"標注好"的意思是 ：每張圖片都有人告訴你"這是貓" 、為什麽這幾個數字能檢測邊緣？先看看它怎麽用 ，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 ，LFW 準確率 99.63%
它錯了 。本質上就是 ：右邊的亮度 - 左邊的亮度 。
那些檢測器裏的數字 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，從互聯網上收集的真實場景人臉照片 ，重複幾百萬次之後 ，背景可能是深色的 ，在 AI 領域有一個專門的名稱 ，綜合判斷最終結果） 。
這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文 ，這些技術讓更深的網絡變得可訓練 。我後麵會專門講。就能看到一個個小方塊 ，
而關鍵是 ：每一層的檢測器裏的數字 ，就是"深度學習" 。就叫"深度神經網絡" ，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 ，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 ，什麽是"眼睛" 。
至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，它"看到"的是什麽 ？不是一個水果的畫麵 ，
手機不知道什麽是眼睛 、而不是死記每張圖的細節）。反向傳播算法在 1986 年就發表了 。上百層 ，打個比方 ：所有人都在 74 分左右競爭 ，現在你隻需要知道 ：電腦有辦法算出調整的方向和幅度 。這些"正確答案"是電腦學習的前提——沒有答案 ，
這就是 AI 的"聰明" ：不是真的理解 ，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 ，就能看到"臉"了 。是因為上一層的某個檢測器輸出偏了
每個像素都有一個顏色 ，經過層層計算 ，有一個名字 ，涵蓋 2 萬多個類別 。能識別的東西就越複雜 。叫"參數" 。
這是 「AI是怎麽回事」係列的第
1篇 。戴上口罩 ，動輒幾十層 、在此之前 ，200 是亮色（接近白色） 。嘴巴（兩條曲線）
給電腦看 1000 張貓的照片和 1000 張狗的照片 ，取名 AlexNet（Alex 的網絡） 。哪怕是一條 45° 的斜線 ，兩個檢測器都會給出非零結果 。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 ，但正確答案是"狗" 。
這個數字的意思是：這裏有一條明顯的邊緣 ，最終的錯誤會變大還是變小 ？
電腦沒有被告知"要檢測邊緣" 。
實際使用時，結果是 0（沒有邊緣）
每天早上 ，而是一堆數字 。就能找到圖片裏顏色變化的地方 。第二層找形狀 ，再傳給下一個。一堆線條還不能告訴我們"這是一張臉" 。圖形處理器）來算。
這個設計很聰明 ，
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，都是黑色線框" loading="lazy">比如你的臉和背景之間——皮膚是淺色的，
一個現代的人臉識別模型可能有幾百萬到上億個參數
。叫做反向傳播——1986 年由 Rumelhart 、但疊加四五層之後 ，那些數字就會逐漸穩定下來 ，下巴這些區域的麵部特征被口罩擋住了
，鼻梁這些區域的數字模式沒變，結果肯定是亂七八糟的 。你就找到了輪廓
、層數很多的神經網絡 ，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 。它專門用來檢測垂直方向的邊緣 。
科學家們嚐試了很多方法 ：
- 有人試著寫規則："如果有兩個圓形在上麵 ，接近黑色） ，和正確答案對比：
- 如果猜對了——不錯
，突然有人考了 85 分 。
但文字呢 ？
當你對 ChatGPT 說"蘋果" ，綠色、讓檢測結果更穩定。比如 ，一層一層往回追溯 ，
具身智能運動控製與軟件棧 ：你的代碼隻活在中間件之上2026-09-02 14:14
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年2026-09-02 14:13
Keepalived詳解 ：原理 、編譯安裝與高可用集群配置2026-09-02 13:17
Keepalived詳解 ：原理 、編譯安裝與高可用集群配置2026-09-02 13:11
Keepalived詳解：原理 、編譯安裝與高可用集群配置2026-09-02 13:10
為什麽說 IO 操作異步才有意義2026-09-02 13:08
生產事故2026-09-02 12:18
Keepalived詳解：原理 、編譯安裝與高可用集群配置2026-09-02 12:18
AI 寫代碼有多厲害 ？——快了 55% ，但錯多了 75%2026-09-02 12:15
生產事故2026-09-02 12:14
Keepalived詳解：原理 、編譯安裝與高可用集群配置2026-09-02 14:19
為什麽說 IO 操作異步才有意義2026-09-02 14:15
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年2026-09-02 13:55
生產事故2026-09-02 13:06
為什麽說 IO 操作異步才有意義2026-09-02 12:30
為什麽說 IO 操作異步才有意義2026-09-02 12:29
生產事故2026-09-02 12:24
生產事故2026-09-02 12:12
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年2026-09-02 12:09
基於NetCorePal Cloud Framework的DDD架構管理係統實踐2026-09-02 11:55