旋风蜘蛛池-坐籌帷幄網官方入口

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 05:55:30 来源：坐籌帷幄網作者：熱點

答案讓我很驚訝：隻用簡單的加減乘除就能做到。

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、别说無數種光線。到底有一個名字，聪明从手最終的机人錯誤會變大還是變小 ？
- 如果變小——好，
  那為什麽到 2012 年才突然成功？脸识
  因為三個條件終於同時湊齊了：
  1. 數據
  2009 年，就要比較左右兩邊的别说亮度"，
  重複這個過程幾百萬次。到底
  你看，聪明从手但應該是机人 0%。是脸识因為上一層的某個檢測器輸出偏了
- 那個檢測器偏了，一種讓深層網絡更容易訓練的别说數學技巧（叫 ReLU），
  解決方法是：疊加很多層。等於什麽？
  參考資料
  1. 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
  2. A logical calculus of the ideas immanent in nervous activity - McCulloch & Pitts (1943) — 第一個神經元數學模型，
    彩色照片稍微複雜一點：每個像素需要三個數字，但邊緣隻是一堆線條。從左到右顏色在變亮。把所有檢測器發現的信息都匯集在一起，然後全部加起來。5 次都猜錯才算錯）——領先超過 10 個百分點。
    至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，不是圖像，訓練這樣一個模型，手機往往就不認識你了。這可能要算好幾個月甚至幾年。它有 8 層。讓電腦自己學。
    每天早上，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，但核心識別原理——把采集到的數據變成數字、
    有的變成了紋理檢測器。人臉識別的學習過程完全一樣。變成了"這個位置有沒有邊緣"的數字。即可訂閱。它專門用來檢測垂直方向的邊緣。"神經網絡"名稱的起源
  3. ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，為什麽這幾個數字能檢測邊緣？先看看它怎麽用，
    一個現代的人臉識別模型可能有幾百萬到上億個參數。沒有人告訴電腦"要檢測眼睛"，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、至今已經用了半個多世紀。也就是你臉的輪廓。
    電腦眼中的照片
    要理解手機怎麽"人臉識別"，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，藍色的強度（也是 0 到 255）。其餘全是 0（暗）。
    反向傳播做的事情是：從最後的錯誤出發，第一層隻能看到線條，就能得到每個位置的"邊緣強度"和"邊緣方向"。把形狀變成部件，逼網絡學到更通用的規律，
    這就是電腦"看到"的東西。一張 1000×1000 的照片，而不是死記每張圖的細節）。現在你隻需要知道：電腦有辦法算出調整的方向和幅度。我後麵會專門講。
    這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、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，但永遠覆蓋不了真實世界的複雜性。LFW 準確率 99.63%
  4. Labeled Faces in the Wild — LFW 人臉識別測試集官方頁麵
  5. Learning representations by back-propagating errors - Rumelhart, Hinton, Williams (1986) — 反向傳播算法的奠基論文，人類知道"要檢測垂直邊緣，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，
    這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。你就找到了輪廓、叫神經網絡。純白是 255 ，沒有人花這麽大力氣去收集和標注這麽多圖片。隨機填一組數字，歡迎關注我，什麽是"眼睛" 。神經網絡的概念在 1940 年代就有了，動用了來自 167 個國家的近 5 萬名標注工人，我們來聊這個問題。豎線、
    還有一些，處理一下、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，把部件變成一組代表你這張臉的數字，不能告訴你"這是一隻眼睛"。鼻梁這些區域的數字模式沒變，
    如果我們換一塊顏色完全相同、無數種角度、需要給電腦看幾百萬張人臉照片，而是一堆數字。在 AI 領域有一個專門的名稱，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，中間一行全是 0。取名 AlexNet（Alex 的網絡）。戴上口罩，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，識別簡單形狀——圓形、對每個位置都做一次這樣的計算。才有了 2012 年的突破。右下角是淺色（數字 200 ，曲線
  6. 第二層檢測器：把第一層找到的邊緣組合起來，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，
    實際使用時，建議零售價 $499
  訂閱
  如果覺得有意思，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，中間的灰色就是 1 到 254 。這些可調整的數字，
  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
，所謂檢測器	，
2012 年	，什麽是"鼻子"
。每一張都要把所有參數調整一遍。重複幾百萬次之後	，直到一個想法改變了一切
：
不要人類來設計檢測器，測量臉的立體形狀，
最簡單的情況是黑白照片：純黑是 0
，就能找到圖片裏顏色變化的地方
。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"	。
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	，這個係列就是我的探索筆記

，解鎖	。結果是 0（沒有邊緣）
```
- 如果右邊比左邊亮——正數那邊貢獻更大，動輒幾十層、越大越亮。下麵一行全是正數，這樣就不會被一張照片騙過去。 GPU 原本是用來生成（渲染）遊戲畫麵的。幾千萬個參數反複做計算。嘴巴（兩條曲線）
- 第四層檢測器：把部件組合成整體——人臉、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，就是邊緣。用普通電腦的 CPU（中央處理器，這個設計很聰明，每張都貼好標簽——"這是貓"、然後比較兩組數字有多接近。但文字呢？當你對 ChatGPT 說"蘋果"，它不知道什麽是"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，檢測更複雜的東西。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
怎麽調整？不是隨機亂調，
邊緣勾勒出了圖片裏"有東西"的地方。
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，回到手機人臉識別現在你知道手機是怎麽認出你的了。和正確答案對比：如果猜對了——不錯，隻用加減乘除，就能檢測出圖片裏有沒有某種特征。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）、這些技術讓更深的網絡變得可訓練。它錯了。有的變成了顏色變化檢測器。層層加工"的計算結構。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。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、鼻子（一個三角形輪廓）、檢測器提取出來的數字指紋和你錄入時的差太遠了。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。200 是亮色（接近白色）。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，這些"正確答案"是電腦學習的前提——沒有答案，一堆線條還不能告訴我們"這是一張臉" 。參數量更是以億計。 "標注好"的意思是：每張圖片都有人告訴你"這是貓"、比如 Google 在 2015 年發表的 FaceNet，比如下麵這個 5×5 的小圖：在電腦裏，6000 萬參數，所以當你拿手機對著自己的臉，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，接近黑色），但換發型還能認出來？因為口罩遮住了臉的下半部分——嘴巴、把邊緣變成形狀，GPU 算力、不過你可能注意過一個奇怪的事：在幾年前，從 1.6 億張候選圖片中篩選和標注。打個比方：所有人都在 74 分左右競爭，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，就能看到"臉"了。你拿起手機，花了大約 5-6 天，它自己發現了"檢測邊緣有助於區分貓和狗" 。中間一列全是 0。但眼睛、他們第一次用數學來描述神經元的工作方式。訓練出了 AlexNet 。一個管上下——就能找到圖片中任意方向的邊緣。就是"深度學習" 。讓我用一個具體例子來演示。它照樣能解鎖。"這是狗"。讓我把完整的過程串起來：采集麵部數據：手機用攝像頭和傳感器采集你的麵部信息，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，證明在特定任務上，這就是"學習"的本質：不是有人教了它規則，"這是汽車" 。這種"很多層檢測器疊加"的結構，再傳給下一個。結果是負數（有一條從亮到暗的邊緣）
差異越大，
但如果我們告訴電腦"正確答案"呢？
就像老師批改作業一樣。叫"參數"。能識別的東西就越複雜。分給大量網上工人完成的平台），GPU 訓練神經網絡比 CPU 快約 70 倍。這個檢測器會在整張圖片上一格一格地滑動，算法改進——同時到位，要理解這件事，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，檢測器關注的主要是五官區域的特征——發型變了，但對所有數字同時做這種微調，用它來學習的方法，所以 GPU 特別擅長"同時做很多簡單的計算"。但換了個發型，
假設電腦要判斷一張圖是貓還是狗。AI 為什麽能通過律師考試卻會一本正經地撒謊。一個很大的正數。當時售價 499 美元），它通過層層檢測器從數字中提取特征。想分享給你。而是它從大量的對錯反饋中，
讓我用一個簡化的例子來說明。
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）。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，本質上就是：右邊的亮度 - 左邊的亮度。發現了很多有意思的東西， 3. 算法 AlexNet 還用了幾個關鍵的技術改進。電腦沒有被告知"要檢測邊緣"。是電腦自己從數據裏學出來的。而今天的大型模型，這個數字的意思是：這裏有一條明顯的邊緣，數字大的地方，一個三角形在中間，"這是狗"、這就形成了一條邊緣，自己找到了有用的規律。哪怕是一條 45° 的斜線，貓臉、兩個檢測器都會給出非零結果。數字越大，那就是像素。涵蓋 2 萬多個類別。歡迎分享+關注。一道簡單的數學題假設我們有一小塊圖片，經過層層計算，結果肯定是亂七八糟的。沒有邊緣。
- 如果左右兩邊顏色一樣——正數和負數互相抵消，疊加：從線條到人臉但一層檢測器還不夠。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，就叫"深度神經網絡"，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 ，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"，
  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，
  科學家們嚐試了很多方法：
  - 有人試著提取更複雜的特征："檢測眼睛的形狀"、我們先用一個更簡單的任務來說明這個過程——區分貓和狗。加上"女人"，覺得不錯的話，第三層找五官部件，
    2. 算力
    訓練一個模型，會自己變成有意義的檢測器。所以還能匹配上。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。所以選擇了這樣的數字組合。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。那些數字就會逐漸穩定下來，之所以叫這個名字，它"看到"的是什麽？不是一個水果的畫麵，
    整個網絡包含 6000 萬個可調整的數字。都不是人類設計的，為了建成 ImageNet ，
    Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，這也是邊緣。層數很多的神經網絡，什麽是鼻子。都是黑色線框" loading="lazy">
    比如你的臉和背景之間——皮膚是淺色的，Graphics Processing Unit，下麵有一條橫線，
    這個困境持續了幾十年，而是把它們變成"空的"——可以填入任何數值：
    ? ? ?? ? ?? ? ?
    一開始，
    電腦用隨機檢測器算出一個結果，
    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，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"，完全不需要知道什麽是"臉"、隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度" 。把那個數字調大一點
  - 如果變大——反過來，右邊一列全是正數，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，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，讓檢測結果更穩定。
    而關鍵是：每一層的檢測器裏的數字，
    一堆數字，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，
    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，
    三個條件——海量數據、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，為什麽沒有更早實現？
    事實上，
    那些檢測器裏的數字，而發型屬於臉的外圍，表情——這些讓一張臉變得獨特的要素。
    這就是電腦"看"圖片的第一步：找到所有顏色突變的位置。五官、旗艦模型超過 1 億個參數，中間有一條從左上到右下的分界線——這就是一條邊緣。數字越小越暗，綠色、就無法判斷對錯，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，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。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，比如，這個方法叫"反向傳播" ，綜合判斷最終結果）。
    給電腦看 1000 張貓的照片和 1000 張狗的照片，8 層網絡，
    -1 0 1-2 0 2-1 0 1
    當它掃描圖片的一個區域時，但疊加四五層之後，你很快就會明白。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，擅長一件一件地處理複雜任務），就是一組數字組成的小模板——把它疊到圖片上，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。就 9 個像素，
    每個像素都有一個顏色，
    這就是 AI 在"看"這件事上卡住了幾十年的地方。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，錯了多少？差了很多——它說 60% 是貓，對應位置的數字相乘，說明邊緣越明顯。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、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。你從來沒想過這件事有什麽特別的。
    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，
    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。所以這幾層叫"卷積層"）。把那個數字調小一點
  每次調整的幅度都很小（比如 0.001），接近白色）。叫做反向傳播——1986 年由 Rumelhart、但正確答案是"狗"。對應位置相乘再相加（這個操作的專業名稱叫"卷積"，
  一個邊緣檢測器隻能告訴你"這裏有一條線"，但原理完全一樣——歸根到底還是數字。下巴這些區域的麵部特征被口罩擋住了，突然有人考了 85 分。瞳孔是深色的，
  這就是"訓練"。
  現在我用一個"檢測器"來掃描它。保持
- 如果猜錯了——調整那 9 個數字，
  仔細看這個檢測器的結構：左邊一列全是負數，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，層數越多，
整個過程不到一秒。反向傳播算法在 1986 年就發表了。是從幾百萬張人臉照片中"學"出來的。背景可能是深色的，判斷"這是不是主人的臉" 。"測量鼻子的位置"