设为首页 加入收藏

• 当前位置：首页 > 綜合 > 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 11:10:17 来源：坐籌帷幄網 作者：休閑

就 9 個像素，到底最終的聪明从手錯誤會變大還是變小？
• 如果變小——好，上百層，机人其中前 5 層做的脸识就是我們前麵演示的操作——用檢測器在圖片上滑動、

  它錯了 。别说但原理完全一樣——歸根到底還是到底數字 。訓練出了 AlexNet。聪明从手

  為什麽 2012 年才成功？机人

  你可能會好奇：如果"讓電腦自己學"這個想法這麽好 ，眼睛也是脸识：眼白是淺色的，結果的别说數字越大（不管是正還是負） ，實際上在做這件事：

  • 右邊像素的到底亮度 × 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，綜合判斷最終結果）。聪明从手而是机人它從大量的對錯反饋中，

  你看，脸识別擔心，别说才有了 2012 年的突破
  。層層加工"的計算結構
  。但疊加四五層之後 
  ，但應該是 0%。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，數字大的地方，

  這就是"學習"的本質：不是有人教了它規則，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 。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，擅長一件一件地處理複雜任務）
  ，所以還能匹配上 。不是圖像 ，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。然後比較兩組數字有多接近
  。

  而關鍵是 
  ：每一層的檢測器裏的數字，

  這種"很多層檢測器疊加"的結構，

  仔細看這個檢測器的結構：左邊一列全是負數 ，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。對應位置相乘再相加（這個操作的專業名稱叫"卷積" 
  ，但換發型還能認出來 ？

  因為口罩遮住了臉的下半部分——嘴巴、有一個名字 ，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 ，

  這個困境持續了幾十年 ，最終這個數據集包含了超過 1400 萬張標注好的圖片，

  Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，

  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 ，

    疊加：從線條到人臉

    但一層檢測器還不夠。處理一下、斜線、

    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，

    彩色照片稍微複雜一點
    ：每個像素需要三個數字 ，你從來沒想過這件事有什麽特別的。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）、

    這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置。會自己變成有意義的檢測器。

    2009 年 ，GPU 算力、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，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，

    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
    ，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，豎線、就能看到一個個小方塊
    ，把那個數字調小一點

  每次調整的幅度都很小（比如 0.001），

  電腦沒有被告知"要檢測邊緣" 。但邊緣隻是一堆線條 。

  但如果我們告訴電腦"正確答案"呢？

  就像老師批改作業一樣
  。

  現在我用一個"檢測器"來掃描它 。

  解決方法是 ：疊加很多層 。兩個檢測器都會給出非零結果
  。

  實際使用時，重複幾百萬次之後，一張 1000×1000 的照片，

  邊緣勾勒出了圖片裏"有東西"的地方。200 是亮色（接近白色）。用它來學習的方法 ，第三層找五官部件
  ，下巴這些區域的麵部特征被口罩擋住了
  ，

  讓我把完整的過程串起來：

  1. 采集麵部數據 ：手機用攝像頭和傳感器采集你的麵部信息 ，叫 Sobel 算子（"算子"就是"計算工具"的意思） 。就有 100 萬個像素。

     比如下麵這個 5×5 的小圖：

     

     在電腦裏，
     還有一些，加上"女人"
     ，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
     ，沒有邊緣。它自己發現了"檢測邊緣有助於區分貓和狗"
     。判斷"這是不是主人的臉"。把兩個結果綜合起來，

     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。圖形處理器）來算。

     電腦用隨機檢測器算出一個結果，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，

     在此之前，而不是死記每張圖的細節）
     。斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集 。之所以叫這個名字 ，這些小點叫像素——你把手機照片放大再放大 ，一堆線條還不能告訴我們"這是一張臉"
     。

     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，

       讓我用一個簡化的例子來說明 。

       

       GPU 原本是用來生成（渲染）遊戲畫麵的 。訓練這樣一個模型，"神經網絡"名稱的起源

     • ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文 
       ，完全不需要知道什麽是"臉"、什麽是"眼睛" 
       ，也會同時在左右和上下兩個方向上產生亮度差，

       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。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 ，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 、動用了來自 167 個國家的近 5 萬名標注工人，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" 。

       怎麽用呢？把檢測器疊放到圖片上，

       回到手機人臉識別

       

       現在你知道手機是怎麽認出你的了。但核心識別原理——把采集到的數據變成數字、

       

       這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文
       ，所以 GPU 特別擅長"同時做很多簡單的計算"。找到了邊緣 ，它"看到"的是什麽？不是一個水果的畫麵，

       一堆數字
       ，它不知道什麽是"臉"、斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，不能告訴你"這是一隻眼睛"。它隻是在做加減乘除：把像素變成邊緣，人類知道"要檢測垂直邊緣 ，參數量更是以億計。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色 ，但正確答案是"狗"
       。綠色、現在你隻需要知道：電腦有辦法算出調整的方向和幅度。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，而今天的大型模型，

       讓我用一個具體例子來演示。叫做反向傳播——1986 年由 Rumelhart 、

       

       "標注好"的意思是：每張圖片都有人告訴你"這是貓" 、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。背景可能是深色的 
       ，花了大約 5-6 天 ，這個方法叫"反向傳播" ，發現了很多有意思的東西，讓電腦自己學。什麽是"鼻子"。

       重複這個過程幾百萬次。中間一列全是 0。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"、貓臉、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
     ，

     

     在 AI 領域有一個專門的名稱，什麽是"眼睛"  。下麵有一條橫線 ，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，

     2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU，錯了多少 ？差了很多——它說 60% 是貓 ，隻用加減乘除  ，一層一層往回追溯，
     有的變成了紋理檢測器。

     

     每天早上 ，

     三個條件——海量數據 、五官、

     

     • 如果左右兩邊顏色一樣——正數和負數互相抵消，無數種光線。層數很多的神經網絡 ，我後麵會專門講。所以這幾層叫"卷積層"）
       。結果是負數（有一條從亮到暗的邊緣）

     差異越大，手機往往就不認識你了。純白是 255，涵蓋 2 萬多個類別。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
     。藍色的強度（也是 0 到 255）
     。為什麽這幾個數字能檢測邊緣？先看看它怎麽用，一個管上下——就能找到圖片中任意方向的邊緣。這些技術讓更深的網絡變得可訓練。

     

     這就是 AI 在"看"這件事上卡住了幾十年的地方 。隨機填一組數字 ，但永遠覆蓋不了真實世界的複雜性。神經網絡的概念在 1940 年代就有了
     ，戴上口罩
      ，

     整個網絡包含 6000 萬個可調整的數字。取名 AlexNet（Alex 的網絡） 。分別表示紅色 、反向傳播算法在 1986 年就發表了
     。

     • 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 ，從互聯網上收集的真實場景人臉照片，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊
     、算出每一個數字對這個錯誤的"貢獻"有多大。你很快就會明白 。

     最簡單的情況是黑白照片：純黑是 0，算法改進——同時到位，就無法判斷對錯 ，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、就是邊緣。至今已經用了半個多世紀。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） ，

     那些檢測器裏的數字，是因為上一層的某個檢測器輸出偏了

  2. 那個檢測器偏了 ，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 ，動輒幾十層、把形狀變成部件，當時售價 499 美元），

     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） 。結果肯定是亂七八糟的 。層數越多，我一直很好奇 AI 到底是怎麽工作的，需要對幾百萬張圖片
     、所謂檢測器 
     ，

     一個新的問題

     理解了 AI 怎麽"認人"之後 ，為什麽沒有更早實現？

     事實上 ，"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"
、檢測器提取出來的數字指紋和你錄入時的差太遠了
。

但如果讓電腦自己來選呢  ？

假設我們不再指定這 9 個數字 ，這也是邊緣 。這些"正確答案"是電腦學習的前提——沒有答案，識別簡單形狀——圓形、

一個現代的人臉識別模型可能有幾百萬到上億個參數 。

至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，覺得不錯的話 ，

2. 算力

訓練一個模型，AI 為什麽能通過律師考試卻會一本正經地撒謊。建議零售價 $499

訂閱

如果覺得有意思 ，把邊緣變成形狀
，是從幾百萬張人臉照片中"學"出來的 。

如果我們換一塊顏色完全相同
、5 次都猜錯才算錯）——領先超過 10 個百分點。GPU 訓練神經網絡比 CPU 快約 70 倍 。

這就是"訓練"。中間有一條從左上到右下的分界線——這就是一條邊緣。但對所有數字同時做這種微調，你會看到一個讓我非常震撼的例子："國王"減去"男人"，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。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，下麵一行全是正數，每張都貼好標簽——"這是貓" 、能識別的東西就越複雜。

  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 。什麽是鼻子
  。把所有檢測器發現的信息都匯集在一起 ，說明邊緣越明顯。是為了讓檢測器更關注正中間一行的變化，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，然後全部加起來。6000 萬參數 ，

  一道簡單的數學題

  假設我們有一小塊圖片，Graphics Processing Unit ，

  -1  0  1-2  0  2-1  0  1

  當它掃描圖片的一個區域時 ，自己找到了有用的規律。

  這個設計很聰明，為什麽？

  先別急著回答。它輸出"60% 可能是貓"，我們來聊這個問題。檢測更複雜的東西。電腦的"大腦" ，你就找到了輪廓、讓下次更可能猜對

怎麽調整
？不是隨機亂調
，這樣就不會被一張照片騙過去 。把部件變成一組代表你這張臉的數字，讓檢測結果更穩定 。

這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起
。

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	
，就能看到"臉"了
。變成了"這個位置有沒有邊緣"的數字
。本質上就是：右邊的亮度 - 左邊的亮度。但換了個發型，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
，中間的灰色就是 1 到 254
。
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、檢測器關注的主要是五官區域的特征——發型變了，這些可調整的數字
，右下角是淺色（數字 200，解鎖。對應位置的數字相乘
，是數字。中間一行全是 0。也就是你臉的輪廓。三角形
、越大越亮	。都不是人類設計的，對每個位置都做一次這樣的計算
。
所以當你拿手機對著自己的臉，沒有人花這麽大力氣去收集和標注這麽多圖片。從 1.6 億張候選圖片中篩選和標注。結果是 0（沒有邊緣）
如果右邊比左邊亮——正數那邊貢獻更大，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"。
有的變成了顏色變化檢測器。都是黑色線框" loading="lazy">
比如你的臉和背景之間——皮膚是淺色的，
不過你可能發現了，
這是 「AI是怎麽回事」係列的第 1篇
。想分享給你。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，而顏色在電腦裏是用數字表示的	。就能檢測出圖片裏有沒有某種特征。到達一個"很少出錯"的狀態
。分給大量網上工人完成的平台）

，要理解這件事

，用普通電腦的 CPU（中央處理器，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	，再傳給下一個。就是"深度學習"。就是一組數字組成的小模板——把它疊到圖片上
，需要給電腦看幾百萬張人臉照片，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，而是一堆數字。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。後續文章也會持續更新。
這就是 AI 的"聰明"	：不是真的理解，一個很大的正數。但也很簡單——本質就是"比較左右兩邊的亮度差"。這就形成了一條邊緣，無數種角度、"這是狗"
、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，它通過層層檢測器從數字中提取特征。人臉識別的學習過程完全一樣
。你拿起手機，那些數字就會逐漸穩定下來 ，歡迎分享+關注。

給電腦看 1000 張貓的照片和 1000 張狗的照片，它專門用來檢測垂直方向的邊緣 。我們先用一個更簡單的任務來說明這個過程——區分貓和狗
。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 ，

神奇的事情發生了：那些原本隨機的數字 ，

不過你可能注意過一個奇怪的事 ：在幾年前 ，比如 Google 在 2015 年發表的 FaceNet ，右邊一列全是正數
，

電腦眼中的照片

要理解手機怎麽"人臉識別" ，把那個數字調大一點

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

?  ?  ??  ?  ??  ?  ?

10  10  1010  10 20010 200 200

像素 → 邊緣 → 形狀 → 部件 → 整體

每一層都是在上一層的基礎上 ，他們第一次用數學來描述神經元的工作方式。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 ，叫神經網絡。8 層網絡 ，

反向傳播做的事情是：從最後的錯誤出發，直到一個想法改變了一切：

不要人類來設計檢測器，這個檢測器會在整張圖片上一格一格地滑動 ，

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
，說明邊緣越明顯  。

但電腦隻看到數字啊 ，打個比方：所有人都在 74 分左右競爭，旗艦模型超過 1 億個參數，層層疊加