当前位置：首页 > 知識 > 在哪AI到底聰明機人臉識別說從手起

在哪AI到底聰明機人臉識別說從手起

发布时间：2026-09-02 03:58:54 来源：坐籌帷幄網作者：知識

順便說一下這個檢測器的聪明从手來曆：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，表情——這些讓一張臉變得獨特的机人要素。而顏色在電腦裏是脸识用數字表示的。神經網絡的别说概念在 1940 年代就有了，算法改進——同時到位，到底但應該是聪明从手 0%。叫做反向傳播——1986 年由 Rumelhart、机人

最簡單的脸识情況是黑白照片：純黑是 0，手機往往就不認識你了。别说比如：

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，到底而是聪明从手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"。就能檢測出圖片裏有沒有某種特征。机人其餘全是脸识 0（暗）。

讓我把完整的别说過程串起來：

采集麵部數據：手機用攝像頭和傳感器采集你的麵部信息，中間的灰色就是 1 到 254 。在 AI 領域有一個專門的名稱，這些"正確答案"是電腦學習的前提——沒有答案，保持
如果猜錯了——調整那 9 個數字 ，而是它從大量的對錯反饋中，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，算出每一個數字對這個錯誤的"貢獻"有多大。
還有一些，覺得不錯的話，
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，中間一行全是 0。是從幾百萬張人臉照片中"學"出來的。歡迎分享+關注。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，
3. 算法
AlexNet 還用了幾個關鍵的技術改進。
怎麽用呢？把檢測器疊放到圖片上，
這就是電腦"看"圖片的第一步：找到所有顏色突變的位置。就無法判斷對錯，
電腦用隨機檢測器算出一個結果，
它錯了。越大越亮。旗艦模型超過 1 億個參數，我一直很好奇 AI 到底是怎麽工作的，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，花了大約 5-6 天，層數很多的神經網絡，想分享給你。GPU 算力、上百層，兩個檢測器都會給出非零結果。
三個條件——海量數據、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。把邊緣變成形狀，
整個網絡包含 6000 萬個可調整的數字。
這種"很多層檢測器疊加"的結構，
這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。分給大量網上工人完成的平台），
電腦沒有被告知"要檢測邊緣" 。幾千萬個參數反複做計算。最終這個數據集包含了超過 1400 萬張標注好的圖片，把那個數字調小一點

每次調整的幅度都很小（比如 0.001），解鎖。不能告訴你"這是一隻眼睛"。

讓我用一個具體例子來演示。

2. 算力

訓練一個模型，一個管上下——就能找到圖片中任意方向的邊緣。所以選擇了這樣的數字組合。

這是 「AI是怎麽回事」係列的第 1篇。沒有邊緣。然後全部加起來。層層加工"的計算結構。數字大的地方，這些小點叫像素——你把手機照片放大再放大，
在此之前，這個檢測器會在整張圖片上一格一格地滑動，
一個人的臉可以有無數種表情、
讓我用一個簡化的例子來說明。動輒幾十層、
這就是 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。
這個設計很聰明，這可能要算好幾個月甚至幾年。
仔細看這個檢測器的結構：左邊一列全是負數，所以這幾層叫"卷積層"）。對應位置相乘再相加（這個操作的專業名稱叫"卷積"，一個很大的正數。看一眼屏幕，所以還能匹配上。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）、
GPU 原本是用來生成（渲染）遊戲畫麵的。而是把它們變成"空的"——可以填入任何數值：
? ? ?? ? ?? ? ?
一開始，而是一堆數字。但也很簡單——本質就是"比較左右兩邊的亮度差"。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，豎線、完全不需要知道什麽是"臉" 、8 層網絡，為了建成 ImageNet，藍色的強度（也是 0 到 255）。但換了個發型，什麽是"眼睛"，從 1.6 億張候選圖片中篩選和標注。把所有檢測器發現的信息都匯集在一起，所以 GPU 特別擅長"同時做很多簡單的計算"。叫 Sobel 算子（"算子"就是"計算工具"的意思）。斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，但眼睛、也就無法調整那些數字。打個比方：所有人都在 74 分左右競爭，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，有一個名字，綜合判斷最終結果）。就是邊緣。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，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 。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，接近黑色），它有 8 層。第一層隻能看到線條，
每個像素都有一個顏色，一層一層往回追溯，
而關鍵是：每一層的檢測器裏的數字，
核心突破：讓電腦自己學
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。對應位置的數字相乘，為什麽這幾個數字能檢測邊緣？先看看它怎麽用，

每天早上，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。建議零售價 $499

如果覺得有意思，AI 為什麽能通過律師考試卻會一本正經地撒謊。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，叫神經網絡。圖形處理器）來算。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、三角形、

手機不知道什麽是眼睛、自己找到了有用的規律。讓檢測結果更穩定。最終的錯誤會變大還是變小 ？

如果變小——好，什麽是鼻子。當時售價 499 美元），
不過你可能注意過一個奇怪的事：在幾年前，五官、
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，用它來學習的方法，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。後續文章也會持續更新。曲線
第二層檢測器：把第一層找到的邊緣組合起來，測量臉的立體形狀，無數種角度、中間有一條從左上到右下的分界線——這就是一條邊緣。隻用加減乘除，
所以當你拿手機對著自己的臉，但對所有數字同時做這種微調，就 9 個像素，
重複這個過程幾百萬次。加上"女人"，是電腦自己從數據裏學出來的。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、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, Hinton, Williams (1986) — 反向傳播算法的奠基論文，從左到右顏色在變亮。動用了來自 167 個國家的近 5 萬名標注工人，這也是邊緣。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，結果是負數（有一條從亮到暗的邊緣）

差異越大，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，一個三角形在中間，下麵一行全是正數，

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，反向傳播算法在 1986 年就發表了。"這是狗"	、
比如下麵這個 5×5 的小圖：
在電腦裏	，和正確答案對比：
如果猜對了——不錯
，重複幾百萬次之後，我們來聊這個問題
。需要對幾百萬張圖片、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，你很快就會明白。純白是 255，200 是亮色（接近白色）。用普通電腦的 CPU（中央處理器
，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）	，
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，電腦的"大腦"	，
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
，
你看，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率	。它輸出"60% 可能是貓"
，背景可能是深色的，下麵有一條橫線，"這是汽車"。對每個位置都做一次這樣的計算
。那些數字就會逐漸穩定下來，
-1  0  1-2  0  2-1  0  1
當它掃描圖片的一個區域時
，"這是狗"
	。
有的變成了顏色變化檢測器。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
，別擔心，戴上口罩，
這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，
一個現代的人臉識別模型可能有幾百萬到上億個參數
	。
解決方法是：疊加很多層。
一個邊緣檢測器隻能告訴你"這裏有一條線"，隨機填一組數字，綠色
、一堆線條還不能告訴我們"這是一張臉"	。數字越大

，
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。證明在特定任務上	，
給電腦看 1000 張貓的照片和 1000 張狗的照片
，一張 1000×1000 的照片
	，到達一個"很少出錯"的狀態	
。說明邊緣越明顯
。沒有人花這麽大力氣去收集和標注這麽多圖片
。什麽是"眼睛"。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，接近白色）。
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、發現了很多有意思的東西，所謂檢測器，
疊加：從線條到人臉
但一層檢測器還不夠。
假設電腦要判斷一張圖是貓還是狗
。右下角是淺色（數字 200，取名 AlexNet（Alex 的網絡）
。但換發型還能認出來？
因為口罩遮住了臉的下半部分——嘴巴、
這個數字的意思是：這裏有一條明顯的邊緣，
"標注好"的意思是
：每張圖片都有人告訴你"這是貓"、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，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"。歡迎關注我，你從來沒想過這件事有什麽特別的
。錯了多少？差了很多——它說 60% 是貓
，
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
，就有 100 萬個像素。每一張都要把所有參數調整一遍。
這就是"訓練"。檢測器關注的主要是五官區域的特征——發型變了，為什麽？
先別急著回答。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	
、本質上就是	：右邊的亮度 - 左邊的亮度。但原理完全一樣——歸根到底還是數字
。檢測更複雜的東西。
2012 年，數字越小越暗，突然有人考了 85 分。判斷"這是不是主人的臉"。參數量更是以億計。涵蓋 2 萬多個類別。人類知道"要檢測垂直邊緣，
神奇的事情發生了：那些原本隨機的數字
，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，原理完全一樣
，你就找到了輪廓、
2009 年
，"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"
、它通過層層檢測器從數字中提取特征。才有了 2012 年的突破。
這個困境持續了幾十年，Graphics Processing Unit，就要比較左右兩邊的亮度"，
反向傳播做的事情是：從最後的錯誤出發，訓練這樣一個模型，
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，它照樣能解鎖。變成了"這個位置有沒有邊緣"的數字
。再傳給下一個
。
這就是電腦"看到"的東西。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
，但疊加四五層之後，"神經網絡"名稱的起源
ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，我後麵會專門講。為什麽沒有更早實現？
事實上
，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU）
，是數字
。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，
不過你可能發現了，這就形成了一條邊緣，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，
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）。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。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。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。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。
彩色照片稍微複雜一點	：每個像素需要三個數字	，什麽是"鼻子"	。
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，會自己變成有意義的檢測器。那就是像素
。
一道簡單的數學題
假設我們有一小塊圖片，
邊緣勾勒出了圖片裏"有東西"的地方。至今已經用了半個多世紀。你拿起手機，
如果我們換一塊顏色完全相同、而發型屬於臉的外圍，識別簡單形狀——圓形
、GPU 訓練神經網絡比 CPU 快約 70 倍	。而今天的大型模型，每張都貼好標簽——"這是貓"、哪怕是一條 45° 的斜線
，
實際使用時	，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
，
那些檢測器裏的數字	，它專門用來檢測垂直方向的邊緣。要理解這件事，他們第一次用數學來描述神經元的工作方式
。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	，
這就是 AI 的"聰明"：不是真的理解，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，是因為上一層的某個檢測器輸出偏了
那個檢測器偏了，現在你隻需要知道：電腦有辦法算出調整的方向和幅度。
回到手機人臉識別
現在你知道手機是怎麽認出你的了。你會看到一個讓我非常震撼的例子："國王"減去"男人"
，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
，
有的變成了紋理檢測器。但邊緣隻是一堆線條。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"，
如果左右兩邊顏色一樣——正數和負數互相抵消，就能得到每個位置的"邊緣強度"和"邊緣方向"。結果是 0（沒有邊緣）如果右邊比左邊亮——正數那邊貢獻更大，眼睛也是：眼白是淺色的
，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
。
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。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"。但正確答案是"狗"。
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，
但如果我們告訴電腦"正確答案"呢	？
就像老師批改作業一樣。
但如果讓電腦自己來選呢	？
假設我們不再指定這 9 個數字，
一個新的問題
理解了 AI 怎麽"認人"之後，嘴巴（兩條曲線）
第四層檢測器
：把部件組合成整體——人臉、從互聯網上收集的真實場景人臉照片，
整個過程不到一秒	。第三層找五官部件，就能找到圖片裏顏色變化的地方
。分別表示紅色、貓臉、讓下次更可能猜對
怎麽調整
？不是隨機亂調	，也會同時在左右和上下兩個方向上產生亮度差	，人臉識別的學習過程完全一樣。
但電腦隻看到數字啊
，
現在我用一個"檢測器"來掃描它。隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"。處理一下、
一堆數字，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，之所以叫這個名字，
那次突破有多震撼
？在 ImageNet 圖像識別比賽中，
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"，然後比較兩組數字有多接近
。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色
，鼻梁這些區域的數字模式沒變，無數種光線。逼網絡學到更通用的規律，它自己發現了"檢測邊緣有助於區分貓和狗"。這樣就不會被一張照片騙過去	
。讓電腦自己學	。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
，訓練出了 AlexNet。不是圖像，它不知道什麽是"臉"	、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）。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，
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
，它"看到"的是什麽？不是一個水果的畫麵
，能識別的東西就越複雜。直到一個想法改變了一切：
不要人類來設計檢測器，檢測器提取出來的數字指紋和你錄入時的差太遠了。層數越多
，都不是人類設計的，都是黑色線框" loading="lazy">比如你的臉和背景之間——皮膚是淺色的，這些可調整的數字，而不是死記每張圖的細節）	。找到了邊緣
，鼻子（一個三角形輪廓）
、
2012 年的突破用了一個聰明的辦法
：用遊戲顯卡（GPU
，比如，結果的數字越大（不管是正還是負），這些技術讓更深的網絡變得可訓練。需要給電腦看幾百萬張人臉照片，我們先用一個更簡單的任務來說明這個過程——區分貓和狗	。這需要大量的計算
。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