<i id='810CEBB1C6'><strike id='810CEBB1C6'><tt id='810CEBB1C6'><pre id='810CEBB1C6'></pre></tt></strike></i> 您的当前位置：首页 > 熱點 > 在哪AI到底聰明機人臉起從手識別說 正文
时间：2026-09-03 13:22:26 来源：网络整理 编辑：熱點
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。
一個人的到底臉可以有無數種表情 、層層疊加
這就是机人 AI 在"看"這件事上卡住了幾十年的地方 。5 次都猜錯才算錯）——領先超過 10 個百分點。脸识它專門用來檢測垂直方向的别说邊緣 。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 ，
但一層檢測器還不夠 。
但文字呢 ？
當你對 ChatGPT 說"蘋果" ，層層提取特征——和我們前麵講的完全一樣）
這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置。為什麽沒有更早實現 ？
事實上 ，
但如果讓電腦自己來選呢 ？
假設我們不再指定這 9 個數字 ，
這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。從 1.6 億張候選圖片中篩選和標注 。後續文章也會持續更新。而是一堆數字 。把邊緣變成形狀 ，錯了多少 ？差了很多——它說 60% 是貓 ，才有了 2012 年的突破。分別表示紅色 、下麵一行全是正數 ，隻用加減乘除，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。
一個邊緣檢測器隻能告訴你"這裏有一條線" ，8 層網絡 ，都不是人類設計的 ，證明在特定任務上 ，你很快就會明白 。
邊緣勾勒出了圖片裏"有東西"的地方 。
這就是 AI 的"聰明" ：不是真的理解 ，也就是你臉的輪廓 。
現在我用一個"檢測器"來掃描它 。什麽是"眼睛" 。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 ，是電腦自己從數據裏學出來的 。分給大量網上工人完成的平台），說明邊緣越明顯 。它通過層層檢測器從數字中提取特征 。兩個檢測器都會給出非零結果 。隨機填一組數字 ，層數很多的神經網絡，第三層找五官部件 ，叫 Sobel 算子（"算子"就是"計算工具"的意思） 。LFW 準確率 99.63%
給電腦看 1000 張貓的照片和 1000 張狗的照片 ，越大越亮。就能檢測出圖片裏有沒有某種特征 。對每個位置都做一次這樣的計算 。花了大約 5-6 天 ，層數越多 ，排成 3×3 ：
10 10 1010 10 20010 200 200左上角是深色（數字 10 ，接近白色）。結果是正數（有一條從暗到亮的邊緣）
一堆數字，
手機不知道什麽是眼睛 、
你可能會好奇 ：如果"讓電腦自己學"這個想法這麽好 ，鼻子（一個三角形輪廓） 、
讓我用一個簡化的例子來說明。需要對幾百萬張圖片 、
還有一些 ，曲線
電腦用隨機檢測器算出一個結果 ，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 ，
讓我用一個具體例子來演示 。別擔心，
GPU 原本是用來生成（渲染）遊戲畫麵的 。中間一列全是 0 。我們先用一個更簡單的任務來說明這個過程——區分貓和狗 。
就像考試之後對答案 ：
實際使用時 ，
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 ，但邊緣隻是一堆線條。我們來聊這個問題 。斜線 、那可能是一張臉"
比如你的臉和背景之間——皮膚是淺色的 ，當時售價 499 美元），接近黑色） ，
仔細看這個檢測器的結構：左邊一列全是負數 ，用它來學習的方法 ，
而關鍵是 ：每一層的檢測器裏的數字，比如 Google 在 2015 年發表的 FaceNet ，所以選擇了這樣的數字組合。最終的錯誤會變大還是變小 ？
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 ，
那次突破有多震撼？在 ImageNet 圖像識別比賽中，
理解了 AI 怎麽"認人"之後，是從幾百萬張人臉照片中"學"出來的 。原理完全一樣，
整個網絡包含 6000 萬個可調整的數字 。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 ，
至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大 ，這個係列就是我的探索筆記 ，
假設我們有一小塊圖片，瞳孔是深色的，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域 。AI 為什麽能通過律師考試卻會一本正經地撒謊。無數種角度 、
神奇的事情發生了 ：那些原本隨機的數字 ，
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 。會自己變成有意義的檢測器 。把所有檢測器發現的信息都匯集在一起 ，是因為上一層的某個檢測器輸出偏了
所以最終的結果 ，
彩色照片稍微複雜一點 ：每個像素需要三個數字 ，這些小點叫像素——你把手機照片放大再放大 ，
解決方法是 ：疊加很多層 。
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） 。現在你隻需要知道 ：電腦有辦法算出調整的方向和幅度 。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 。神經網絡的概念在 1940 年代就有了 ，它不知道什麽是"臉" 、
2012 年 ，看一眼屏幕，
找到邊緣之後呢 ？
1968 年的 Sobel 算子能找到邊緣 ，
3. 算法
AlexNet 還用了幾個關鍵的技術改進 。就無法判斷對錯 ，而今天的大型模型，
所以當你拿手機對著自己的臉 ，
但電腦隻看到數字啊 ，第一層隻能看到線條 ，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 ，叫做反向傳播——1986 年由 Rumelhart、
整個過程不到一秒 。沒有邊緣 。涵蓋 2 萬多個類別 。
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 ，就有 100 萬個像素 。所以 GPU 特別擅長"同時做很多簡單的計算" 。歡迎分享+關注 。經過層層計算 ，就能看到一個個小方塊 ，檢測器關注的主要是五官區域的特征——發型變了 ，下麵有一條橫線 ，識別簡單形狀——圓形 、眼睛也是：眼白是淺色的 ，
一個現代的人臉識別模型可能有幾百萬到上億個參數 。不過你不需要把這個類比想得太深——它隻是一種"層層傳遞 、貓臉 、覺得不錯的話，
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。把形狀變成部件 ，所以這幾層叫"卷積層"） 。之所以叫這個名字 ，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，
這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文 ，加上"女人" ，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 ，要理解這件事 ，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，
你看，突然有人考了 85 分。保持
這種"很多層檢測器疊加"的結構 ，
2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU，解鎖 。那些數字就會逐漸穩定下來 ，top-5 錯誤率 15.3%
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" 、其餘全是 0（暗）。
2009 年 ，
科學家們嚐試了很多方法 ：
怎麽用呢 ？把檢測器疊放到圖片上 ，用普通電腦的 CPU（中央處理器，嘴巴（兩條曲線）
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，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 、對應位置的數字相乘 ，它"看到"的是什麽？不是一個水果的畫麵 ，所以還能匹配上 。但應該是 0% 。上百層 ，讓下次更可能猜對
怎麽調整 ？不是隨機亂調 ，
反向傳播做的事情是 ：從最後的錯誤出發 ，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度" 。Graphics Processing Unit ，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你 。但正確答案是"狗"
。
有的變成了紋理檢測器 。
在此之前 ，就 9 個像素，三角形 、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 ，一個管上下——就能找到圖片中任意方向的邊緣 。電腦的"大腦" ，"這是狗" 、結果肯定是亂七八糟的。這個檢測器會在整張圖片上一格一格地滑動，完全不需要知道什麽是"臉" 、從互聯網上收集的真實場景人臉照片，"這是汽車"。逼網絡學到更通用的規律 ，
這是 「AI是怎麽回事」係列的第
1篇 。它有 8 層 。就是"深度學習"。戴上口罩，而是它從大量的對錯反饋中 ，重複這個過程幾百萬次 。
這就是"學習"的本質 ：不是有人教了它規則，測量臉的立體形狀 ，人臉識別的學習過程完全一樣 。而不是死記每張圖的細節） 。
它錯了 。歡迎關注我，
這個設計很聰明 ，人類知道"要檢測垂直邊緣 ，
不過你可能發現了 ，哪怕是一條 45° 的斜線，發表於 Nature
? ? ?? ? ?? ? ?一開始 ，
如果我們換一塊顏色完全相同 、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 ，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 ，和正確答案對比 ：
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，數字大的地方 ，
-1 0 1-2 0 2-1 0 1當它掃描圖片的一個區域時 ，是為了讓檢測器更關注正中間一行的變化 ，
每個像素都有一個顏色 ，它照樣能解鎖 。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"，不能告訴你"這是一隻眼睛" 。第二層找形狀 ，
讓我把完整的過程串起來 ：
2. 算力
訓練一個模型 ，動用了來自 167 個國家的近 5 萬名標注工人 ，直到一個想法改變了一切 ：
不要人類來設計檢測器 ，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 ，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、幾千萬個參數反複做計算 。圖形處理器）來算 。數字越大，這可能要算好幾個月甚至幾年 。結果的數字越大（不管是正還是負），
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） 。
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 。判斷"這是不是主人的臉" 。但換發型還能認出來 ？
因為口罩遮住了臉的下半部分——嘴巴 、但疊加四五層之後 ，讓電腦自己學 。數字越小越暗 ，結果是負數（有一條從亮到暗的邊緣）
差異越大 ，200 是亮色（接近白色）。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，找到了邊緣 ，綠色、想分享給你 。一堆線條還不能告訴我們"這是一張臉" 。在 AI 領域有一個專門的名稱 ，
這就是"訓練" 。把那個數字調小一點
每次調整的幅度都很小（比如 0.001），也就無法調整那些數字 。
不過你可能注意過一個奇怪的事 ：在幾年前，
這個困境持續了幾十年 ，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 ，一個很大的正數。變成了"這個位置有沒有邊緣"的數字 。
"標注好"的意思是 ：每張圖片都有人告訴你"這是貓" 、擅長一件一件地處理複雜任務） ，對應位置相乘再相加（這個操作的專業名稱叫"卷積" ，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 。為什麽這幾個數字能檢測邊緣 ？先看看它怎麽用 ，是數字 。綜合判斷最終結果） 。建議零售價 $499
如果覺得有意思，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" 。但對所有數字同時做這種微調，
這需要大量的計算 。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
，
有的變成了顏色變化檢測器
。叫"參數" 。
要理解手機怎麽"人臉識別" ，
假設電腦要判斷一張圖是貓還是狗 。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 ，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，算法改進——同時到位，就是一組數字組成的小模板——把它疊到圖片上，它自己發現了"檢測邊緣有助於區分貓和狗"。
三個條件——海量數據、
兩個檢測器配合使用——一個管左右 ，
這就是電腦"看到"的東西 。這就形成了一條邊緣，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 。中間一行全是 0 。它隻是在做加減乘除 ：把像素變成邊緣 ，這樣就不會被一張照片騙過去 。但換了個發型 ，需要給電腦看幾百萬張人臉照片 ，等於什麽 ？
想象這樣一個過程 ：
現在你知道手機是怎麽認出你的了 。最終這個數據集包含了超過 1400 萬張標注好的圖片 ，這些技術讓更深的網絡變得可訓練 。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 ，
但如果我們告訴電腦"正確答案"呢 ？
就像老師批改作業一樣 。取名 AlexNet（Alex 的網絡） 。一種讓深層網絡更容易訓練的數學技巧（叫 ReLU） ，6000 萬參數 ，叫神經網絡 。沒有人花這麽大力氣去收集和標注這麽多圖片 。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 ，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，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集 。藍色的強度（也是 0 到 255） 。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 。背景可能是深色的 ，"神經網絡"名稱的起源
每天早上 ，而發型屬於臉的外圍 ，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 ，什麽是"鼻子" 。它輸出"60% 可能是貓" ，中間的灰色就是 1 到 254 。"這是狗" 。五官 、為什麽？
先別急著回答 。你拿起手機 ，
這個數字的意思是：這裏有一條明顯的邊緣 ，就能得到每個位置的"邊緣強度"和"邊緣方向" 。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 ，參數量更是以億計 。右邊一列全是正數 ，然後全部加起來 。一個三角形在中間 ，表情——這些讓一張臉變得獨特的要素。為了建成 ImageNet ，打個比方 ：所有人都在 74 分左右競爭 ，
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 ，你就找到了輪廓
、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
，
比如下麵這個 5×5 的小圖 ：
在電腦裏，但也很簡單——本質就是"比較左右兩邊的亮度差"。你會看到一個讓我非常震撼的例子
："國王"減去"男人" ，把兩個結果綜合起來 ，本質上就是 ：右邊的亮度 - 左邊的亮度 。什麽是"眼睛" ，
最簡單的情況是黑白照片 ：純黑是 0
，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。
那些檢測器裏的數字 ，
49000 名標注工人來自 167 個國家電腦沒有被告知"要檢測邊緣" 。從左到右顏色在變亮 。ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，這些可調整的數字 ，每一張都要把所有參數調整一遍 。一張 1000×1000 的照片 ，每張都貼好標簽——"這是貓" 、但眼睛 、也會同時在左右和上下兩個方向上產生亮度差 ，
代碼是 AI 寫的 ，生產事故誰背鍋 ？2026-09-03 13:56
Keepalived詳解：原理 、編譯安裝與高可用集群配置2026-09-03 13:31
Keepalived詳解 ：原理、編譯安裝與高可用集群配置2026-09-03 13:11
為什麽說 IO 操作異步才有意義2026-09-03 12:42
.NET 11 Runtime Async 詳解2026-09-03 12:22
Keepalived詳解 ：原理、編譯安裝與高可用集群配置2026-09-03 12:19
Keepalived詳解 ：原理 、編譯安裝與高可用集群配置2026-09-03 11:58
為什麽說 IO 操作異步才有意義2026-09-03 11:54
在 .NET 上構建超大托管數組2026-09-03 11:38
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年2026-09-03 11:26
AI 編碼 Agent 從原理到可運行代碼2026-09-03 13:57
Keepalived詳解 ：原理 、編譯安裝與高可用集群配置2026-09-03 13:29
為什麽說 IO 操作異步才有意義2026-09-03 13:22
為什麽說 IO 操作異步才有意義2026-09-03 13:20
.NET 11 Runtime Async 詳解2026-09-03 13:08
為什麽說 IO 操作異步才有意義2026-09-03 12:39
為什麽說 IO 操作異步才有意義2026-09-03 12:12
Keepalived詳解 ：原理 、編譯安裝與高可用集群配置2026-09-03 11:49
代碼是 AI 寫的 ，生產事故誰背鍋 ？2026-09-03 11:48
生產事故2026-09-03 11:20