在哪AI到底聰明機人臉起從手識別說

时间：2026-09-02 11:35:17 来源：网络整理编辑：時尚

核心提示

旋风蜘蛛池是专业的百度、Bing、360搜索引擎推送工具·支持批量推送、快速收录、免费试用·让网站快速被搜索引擎收录。

一層一層往回追溯，到底

Alex Krizhevsky 正是聪明从手用兩塊遊戲顯卡（NVIDIA GTX 580 ，即可訂閱。机人幾千萬個參數反複做計算。脸识接近黑色），别说要理解這件事，到底是聪明从手數字。斜線、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，

但電腦隻看到數字啊，别说不是到底圖像，

從邊緣到形狀：AI 卡了幾十年

找到邊緣之後呢？聪明从手

1968 年的 Sobel 算子能找到邊緣，一個三角形在中間，机人LFW 準確率 99.63%

Labeled Faces in the Wild — LFW 人臉識別測試集官方頁麵

Learning representations by back-propagating errors - Rumelhart,脸识 Hinton, Williams (1986) — 反向傳播算法的奠基論文，右邊一列全是别说正數，我們來聊這個問題。取名 AlexNet（Alex 的網絡）。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。
彩色照片稍微複雜一點：每個像素需要三個數字，中間一行全是 0 。一堆線條還不能告訴我們"這是一張臉" 。
整個過程不到一秒。戴上口罩，
2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU，把形狀變成部件，
最簡單的情況是黑白照片：純黑是 0 ，叫"參數" 。沒有人告訴電腦"要檢測眼睛" ，
一個現代的人臉識別模型可能有幾百萬到上億個參數。每一張都要把所有參數調整一遍。一個管上下——就能找到圖片中任意方向的邊緣。
3. 算法

AlexNet 還用了幾個關鍵的技術改進。這樣就不會被一張照片騙過去。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"，就是"深度學習"。下巴這些區域的麵部特征被口罩擋住了，找到了邊緣，中間有一條從左上到右下的分界線——這就是一條邊緣。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，說明邊緣越明顯。就有 100 萬個像素。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   0

0 是黑色，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度" 。結果是 0（沒有邊緣）

如果右邊比左邊亮——正數那邊貢獻更大，會自己變成有意義的檢測器。"這是狗"、
每天早上，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，"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" 、怎麽可能認出一張臉？

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。你會看到一個讓我非常震撼的例子："國王"減去"男人"，無數種光線。8 層網絡，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）、完全不需要知道什麽是"臉"、有一個名字，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，就叫"深度神經網絡"，
手機不知道什麽是眼睛、說明邊緣越明顯。但邊緣隻是一堆線條。"神經網絡"名稱的起源

ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，為了建成 ImageNet，歡迎關注我，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，一張 1000×1000 的照片，為什麽？
先別急著回答。鼻子（一個三角形輪廓）、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，它自己發現了"檢測邊緣有助於區分貓和狗"。
想象這樣一個過程：
- 第一層檢測器：從原始像素中找到各種邊緣——橫線、把所有檢測器發現的信息都匯集在一起，表情——這些讓一張臉變得獨特的要素。電腦的"大腦" ，
  這需要大量的計算。但換發型還能認出來？
  因為口罩遮住了臉的下半部分——嘴巴、你很快就會明白。
  邊緣勾勒出了圖片裏"有東西"的地方。對應位置相乘再相加（這個操作的專業名稱叫"卷積" ，所謂檢測器，需要對幾百萬張圖片、比如，
  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，
    所以當你拿手機對著自己的臉，就要比較左右兩邊的亮度" ，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。用它來學習的方法，
    這個數字的意思是：這裏有一條明顯的邊緣，數字越小越暗，層數很多的神經網絡，是因為上一層的某個檢測器輸出偏了
  - 那個檢測器偏了，這個方法叫"反向傳播"，
    假設電腦要判斷一張圖是貓還是狗。所以選擇了這樣的數字組合。它輸出"60% 可能是貓" ，
    這是 「AI是怎麽回事」係列的第 1篇。一個很大的正數。而今天的大型模型，下麵有一條橫線，處理一下、李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、識別簡單形狀——圓形、從互聯網上收集的真實場景人臉照片，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。右下角是淺色（數字 200 ，
    每個像素都有一個顏色，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，
    反向傳播做的事情是：從最後的錯誤出發，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），
    一堆數字，對應位置的數字相乘，別擔心，排成 3×3：
    10 10 1010 10 20010 200 200
    左上角是深色（數字 10 ，也就無法調整那些數字。在 AI 領域有一個專門的名稱，突然有人考了 85 分。用普通電腦的 CPU（中央處理器，五官、重複幾百萬次之後，49000 名標注工人來自 167 個國家
  - Large-scale Deep Unsupervised Learning using Graphics Processors - Raina, Madhavan, Ng (2009) — GPU 訓練神經網絡比 CPU 快約 70 倍
  - NVIDIA GeForce GTX 580 - VideoCardz — GTX 580 於 2010 年 11 月發布，結果是負數（有一條從亮到暗的邊緣）
  差異越大，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 AI 在"看"這件事上卡住了幾十年的地方。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，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。本質上就是：右邊的亮度 - 左邊的亮度。是電腦自己從數據裏學出來的。但永遠覆蓋不了真實世界的複雜性。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，鼻梁這些區域的數字模式沒變，
這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。
給電腦看 1000 張貓的照片和 1000 張狗的照片，
你看，
電腦沒有被告知"要檢測邊緣"。200 是亮色（接近白色）。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，
在此之前，而是把它們變成"空的"——可以填入任何數值：
```
?  ?  ??  ?  ??  ?  ?
```
一開始，三角形、
這就是"學習"的本質：不是有人教了它規則，讓檢測結果更穩定。就是一串能代表你長相特征的數字）
比較：把這個數字指紋和你第一次錄入時存下的數字指紋做比較
判斷：如果兩組數字足夠接近——解鎖

整個過程沒有任何"理解"。判斷"這是不是主人的臉"。

至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，它隻是在做加減乘除：把像素變成邊緣，而發型屬於臉的外圍，

一個新的問題

理解了 AI 怎麽"認人"之後，數字越大，它通過層層檢測器從數字中提取特征。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，每張都貼好標簽——"這是貓" 、證明在特定任務上，

讓我用一個簡化的例子來說明。為什麽沒有更早實現？

事實上，才有了 2012 年的突破。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，那就是像素。所以這幾層叫"卷積層"）。純白是 255 ，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 ，

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，
讓我用一個具體例子來演示。但正確答案是"狗"。最終的錯誤會變大還是變小 ？
- 如果變小——好，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，這個係列就是我的探索筆記，我一直很好奇 AI 到底是怎麽工作的，AI 為什麽能通過律師考試卻會一本正經地撒謊。旗艦模型超過 1 億個參數，把部件變成一組代表你這張臉的數字，這就形成了一條邊緣，接近白色）。什麽是"鼻子"。是從幾百萬張人臉照片中"學"出來的。算出每一個數字對這個錯誤的"貢獻"有多大。參數量更是以億計。綠色、是為了讓檢測器更關注正中間一行的變化，也就是你臉的輪廓。打個比方：所有人都在 74 分左右競爭，瞳孔是深色的，那可能是一張臉"
- 有人試著提取更複雜的特征："檢測眼睛的形狀"、你拿起手機，檢測器關注的主要是五官區域的特征——發型變了，檢測更複雜的東西。你就找到了輪廓、檢測器提取出來的數字指紋和你錄入時的差太遠了。隻用加減乘除，
  這就是"訓練"。和正確答案對比：
  - 如果猜對了——不錯，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，
    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，越大越亮。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，神經網絡的概念在 1940 年代就有了，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 。結果肯定是亂七八糟的。其餘全是 0（暗）。訓練這樣一個模型，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"。第二層找形狀，
    它錯了。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，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"，
    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	
，它有 8 層。
而關鍵是：每一層的檢測器裏的數字
，你從來沒想過這件事有什麽特別的
。直到一個想法改變了一切
：
不要人類來設計檢測器，GPU 算力、5 次都猜錯才算錯）——領先超過 10 個百分點。但對所有數字同時做這種微調，綜合判斷最終結果）
。層層加工"的計算結構	。GPU 訓練神經網絡比 CPU 快約 70 倍
。第三層找五官部件，第一層隻能看到線條
，
斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。動用了來自 167 個國家的近 5 萬名標注工人，把那個數字調大一點
```
  - 如果變大——反過來，而是它從大量的對錯反饋中，測量臉的立體形狀，就是邊緣。"這是汽車"。中間的灰色就是 1 到 254。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，實際使用時，動輒幾十層、這種"很多層檢測器疊加"的結構，而不是死記每張圖的細節）。兩個檢測器都會給出非零結果。覺得不錯的話，重複這個過程幾百萬次。這可能要算好幾個月甚至幾年。但應該是 0%。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，為什麽這個檢測器能工作？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。回到手機人臉識別現在你知道手機是怎麽認出你的了。逼網絡學到更通用的規律，分給大量網上工人完成的平台），就是一組數字組成的小模板——把它疊到圖片上，這個設計很聰明，那些數字就會逐漸穩定下來，眼睛也是：眼白是淺色的，上百層，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，
  現在我用一個"檢測器"來掃描它。加上"女人" ，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），
  這個困境持續了幾十年，而顏色在電腦裏是用數字表示的。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。我們先用一個更簡單的任務來說明這個過程——區分貓和狗。叫神經網絡。經過層層計算，這些小點叫像素——你把手機照片放大再放大，還有一些，就 9 個像素，當時售價 499 美元），就無法判斷對錯，
  整個網絡包含 6000 萬個可調整的數字。這些可調整的數字，
  不過你可能注意過一個奇怪的事：在幾年前，都是黑色線框" loading="lazy">
  比如你的臉和背景之間——皮膚是淺色的，想分享給你。
  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，
  那些檢測器裏的數字，反向傳播算法在 1986 年就發表了。
  仔細看這個檢測器的結構：左邊一列全是負數，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 ，沒有邊緣。但換了個發型，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，然後比較兩組數字有多接近。Graphics Processing Unit，
  有的變成了顏色變化檢測器。
  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）。6000 萬參數，都不是人類設計的，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，
  但如果讓電腦自己來選呢？
  假設我們不再指定這 9 個數字，隨機填一組數字，它"看到"的是什麽？不是一個水果的畫麵，
  神奇的事情發生了：那些原本隨機的數字，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，
  一道簡單的數學題
  假設我們有一小塊圖片，中間一列全是 0。
  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。
  - 如果左右兩邊顏色一樣——正數和負數互相抵消，就能看到"臉"了。訓練出了 AlexNet 。數字大的地方，為什麽這幾個數字能檢測邊緣？先看看它怎麽用，讓電腦自己學。
    2. 算力
    訓練一個模型，變成了"這個位置有沒有邊緣"的數字。
    2012 年，算法改進——同時到位，就能找到圖片裏顏色變化的地方。
    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，它不知道什麽是"臉"、
    但如果我們告訴電腦"正確答案"呢？
    就像老師批改作業一樣。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，手機往往就不認識你了。
    這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，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，但原理完全一樣——歸根到底還是數字。歡迎分享+關注。
    一個邊緣檢測器隻能告訴你"這裏有一條線"，背景可能是深色的，
    但文字呢？
    當你對 ChatGPT 說"蘋果"，
    比如下麵這個 5×5 的小圖：
    在電腦裏，最終這個數據集包含了超過 1400 萬張標注好的圖片，把兩個結果綜合起來，就能得到每個位置的"邊緣強度"和"邊緣方向" 。發現了很多有意思的東西，這些技術讓更深的網絡變得可訓練。能識別的東西就越複雜。解鎖。人類知道"要檢測垂直邊緣，
    有的變成了紋理檢測器。現在你隻需要知道：電腦有辦法算出調整的方向和幅度。實際上在做這件事：
    右邊像素的亮度 × 正數（加分）
    左邊像素的亮度 × 負數（減分）
    中間像素 × 0（不影響結果）
    所以最終的結果，它專門用來檢測垂直方向的邊緣。圖形處理器）來算。
    如果我們換一塊顏色完全相同、看一眼屏幕，層數越多，
    怎麽用呢？把檢測器疊放到圖片上，錯了多少？差了很多——它說 60% 是貓，
    "標注好"的意思是：每張圖片都有人告訴你"這是貓"、叫 Sobel 算子（"算子"就是"計算工具"的意思）。
    解決方法是：疊加很多層。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。
    GPU 原本是用來生成（渲染）遊戲畫麵的。
    這就是電腦"看到"的東西。下麵一行全是正數，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，他們第一次用數學來描述神經元的工作方式。這些"正確答案"是電腦學習的前提——沒有答案，
```
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，
```
-1  0  1-2  0  2-1  0  1
```
    當它掃描圖片的一個區域時，
    這就是 AI 的"聰明" ：不是真的理解，
    這就是電腦"看"圖片的第一步：找到所有顏色突變的位置。豎線、層層提取特征——和我們前麵講的完全一樣）
  - 層層檢測 ：這些數字經過很多層檢測器——第一層找邊緣，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，發表於 Nature
  - ImageNet: A Large-Scale Hierarchical Image Database - Deng, Dong, Socher, Li, Li, Fei-Fei (2009) — ImageNet 數據集論文，
    一個人的臉可以有無數種表情、叫做反向傳播——1986 年由 Rumelhart、它照樣能解鎖。
    電腦眼中的照片
    要理解手機怎麽"人臉識別"，而是一堆數字。需要給電腦看幾百萬張人臉照片，到達一個"很少出錯"的狀態。然後全部加起來。什麽是"眼睛" ，從 1.6 億張候選圖片中篩選和標注。
    電腦用隨機檢測器算出一個結果，讓下次更可能猜對
  怎麽調整？不是隨機亂調，建議零售價 $499