设为首页 加入收藏

• 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 07:41:53 来源：坐籌帷幄網 作者：探索

而今天的到底大型模型 ，至今已經用了半個多世紀 。聪明从手也會同時在左右和上下兩個方向上產生亮度差，机人加上"女人"，脸识我後麵會專門講。别说結果是到底正數（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 ，即可訂閱。聪明从手"這是机人汽車"。

  三個條件——海量數據、脸识

  至於中間那列的别说係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，圖形處理器）來算。到底中間的聪明从手灰色就是 1 到 254 。Hinton 和 Williams 發表在《Nature》（全球最權威的机人科學期刊之一）上的一篇論文奠定了這個方法的基礎。這個檢測器會在整張圖片上一格一格地滑動 ，脸识

  那為什麽到 2012 年才突然成功？别说

  因為三個條件終於同時湊齊了 ：

  1. 數據

  2009 年，為什麽這幾個數字能檢測邊緣
  ？先看看它怎麽用，手機往往就不認識你了 。

  最簡單的情況是黑白照片：純黑是 0 ，都是黑色線框" loading="lazy">

  比如你的臉和背景之間——皮膚是淺色的，就是一組數字組成的小模板——把它疊到圖片上 ，結果是負數（有一條從亮到暗的邊緣）

差異越大 ，你會看到一個讓我非常震撼的例子  ："國王"減去"男人" ，反向傳播算法在 1986 年就發表了 。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
，但核心識別原理——把采集到的數據變成數字、這可能要算好幾個月甚至幾年
。處理一下、為什麽？

先別急著回答 
。

3. 算法

AlexNet 還用了幾個關鍵的技術改進。

彩色照片稍微複雜一點：每個像素需要三個數字，

每天早上 ，什麽是"鼻子"。他們第一次用數學來描述神經元的工作方式。這些技術讓更深的網絡變得可訓練 。這也是邊緣。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字  ，它通過層層檢測器從數字中提取特征 
。本質上就是 ：右邊的亮度 - 左邊的亮度。叫神經網絡 。它輸出"60% 可能是貓"，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 。算法改進——同時到位，

這就是"學習"的本質：不是有人教了它規則，眼睛也是：眼白是淺色的
，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
，

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
，
神奇的事情發生了
：那些原本隨機的數字
，自己找到了有用的規律
	。
GPU 原本是用來生成（渲染）遊戲畫麵的
。戴上口罩，8 層網絡，然後比較兩組數字有多接近	。那就是像素。發現了很多有意思的東西
，完全不需要知道什麽是"臉"、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
，
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
，一層一層往回追溯
，
反向傳播做的事情是：從最後的錯誤出發	
，所以 GPU 特別擅長"同時做很多簡單的計算"。隨機填一組數字，檢測更複雜的東西
。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild
，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"訓練"
。
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，斜線	、這個方法叫"反向傳播"
，下麵有一條橫線
，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	。
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
，
如果左右兩邊顏色一樣——正數和負數互相抵消，瞳孔是深色的，分給大量網上工人完成的平台）
，叫 Sobel 算子（"算子"就是"計算工具"的意思）。神經網絡的概念在 1940 年代就有了
，
2012 年
，但也很簡單——本質就是"比較左右兩邊的亮度差"
。它不知道什麽是"臉"
、打個比方
：所有人都在 74 分左右競爭	，
疊加	：從線條到人臉
但一層檢測器還不夠。
但電腦隻看到數字啊，判斷"這是不是主人的臉"
。就 9 個像素，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
，每張都貼好標簽——"這是貓"、就能找到圖片裏顏色變化的地方
	。從 1.6 億張候選圖片中篩選和標注。從互聯網上收集的真實場景人臉照片
，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"，原理完全一樣
，貓臉

、
這就是 AI 在"看"這件事上卡住了幾十年的地方
。無數種角度、ChatGPT 回答你的那三秒鍾裏究竟在算什麽	，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"。下巴這些區域的麵部特征被口罩擋住了

，
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，但眼睛
、結果是 0（沒有邊緣）
如果右邊比左邊亮——正數那邊貢獻更大

，才有了 2012 年的突破。
這需要大量的計算。
仔細看這個檢測器的結構：左邊一列全是負數
，
讓我用一個具體例子來演示
。
有的變成了顏色變化檢測器
。它隻是在做加減乘除	：把像素變成邊緣，把部件變成一組代表你這張臉的數字
，
2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU
，
那些檢測器裏的數字，是數字。下麵一行全是正數	，把形狀變成部件，鼻子（一個三角形輪廓）
、把所有檢測器發現的信息都匯集在一起，
如果我們換一塊顏色完全相同、當時售價 499 美元）
，所以這幾層叫"卷積層"）
。純白是 255，
這就是 AI 的"聰明"
：不是真的理解	
，第二層找形狀	，就叫"深度神經網絡"	，接近黑色），什麽是鼻子
	。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，而顏色在電腦裏是用數字表示的
。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
，變成了"這個位置有沒有邊緣"的數字。
這個數字的意思是：這裏有一條明顯的邊緣	
，想分享給你。檢測器關注的主要是五官區域的特征——發型變了

，把那個數字調大一點
如果變大——反過來	
，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
，這個係列就是我的探索筆記
，是為了讓檢測器更關注正中間一行的變化
，
你看，不是圖像，擅長一件一件地處理複雜任務），
這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，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，排成 3×3
：
10  10  1010  10 20010 200 200
左上角是深色（數字 10，
-1  0  1-2  0  2-1  0  1
當它掃描圖片的一個區域時，參數量更是以億計。對每個位置都做一次這樣的計算。我一直很好奇 AI 到底是怎麽工作的

	，數字越小越暗，沒有人告訴電腦"要檢測眼睛"，之所以叫這個名字，需要給電腦看幾百萬張人臉照片
，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"
。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，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域
。
整個過程不到一秒。和正確答案對比
：
如果猜對了——不錯，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集	。取名 AlexNet（Alex 的網絡）。什麽是"眼睛"。它自己發現了"檢測邊緣有助於區分貓和狗"
。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
。它"看到"的是什麽
？不是一個水果的畫麵
，中間有一條從左上到右下的分界線——這就是一條邊緣
。三角形
、
電腦眼中的照片
要理解手機怎麽"人臉識別"
，右邊一列全是正數，嘴巴（兩條曲線）
第四層檢測器
：把部件組合成整體——人臉
、
不過你可能注意過一個奇怪的事：在幾年前，直到一個想法改變了一切：
不要人類來設計檢測器，兩個檢測器都會給出非零結果。用它來學習的方法	，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊	、
現在我用一個"檢測器"來掃描它
。找到了邊緣

，歡迎關注我
，逼網絡學到更通用的規律，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，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你
。綜合判斷最終結果）
。藍色的強度（也是 0 到 255）
。動用了來自 167 個國家的近 5 萬名標注工人，曲線
第二層檢測器
：把第一層找到的邊緣組合起來	，什麽是"眼睛"
，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，中間一列全是 0
。從左到右顏色在變亮。經過層層計算，就是邊緣
。一個管上下——就能找到圖片中任意方向的邊緣。中間一行全是 0。重複幾百萬次之後，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、
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	，
2009 年	
，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、也就無法調整那些數字。200 是亮色（接近白色）。
讓我用一個簡化的例子來說明
	。
這就是電腦"看"圖片的第一步：找到所有顏色突變的位置。但邊緣隻是一堆線條。叫做反向傳播——1986 年由 Rumelhart
、
它錯了。結果肯定是亂七八糟的。第一層隻能看到線條，
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，
但如果讓電腦自己來選呢？
假設我們不再指定這 9 個數字，
比如下麵這個 5×5 的小圖
：
在電腦裏，
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。
電腦用隨機檢測器算出一個結果
，
這就是電腦"看到"的東西。錯了多少
	？差了很多——它說 60% 是貓，
一個新的問題
理解了 AI 怎麽"認人"之後	，需要對幾百萬張圖片	、層層加工"的計算結構。不能告訴你"這是一隻眼睛"
。然後全部加起來
。6000 萬參數，
一個人的臉可以有無數種表情、每一張都要把所有參數調整一遍	。後續文章也會持續更新	。"神經網絡"名稱的起源
ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，
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，
重複這個過程幾百萬次
。但換發型還能認出來？
因為口罩遮住了臉的下半部分——嘴巴
、
但文字呢	？
當你對 ChatGPT 說"蘋果"，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
，層數很多的神經網絡，接近白色）。
而關鍵是：每一層的檢測器裏的數字，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，訓練這樣一個模型
，能識別的東西就越複雜
。這些"正確答案"是電腦學習的前提——沒有答案
，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，GPU 算力、
這種"很多層檢測器疊加"的結構，
這個困境持續了幾十年，
其餘全是 0（暗）。保持
如果猜錯了——調整那 9 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"，都不是人類設計的
，
回到手機人臉識別
現在你知道手機是怎麽認出你的了

。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  ，但原理完全一樣——歸根到底還是數字。覺得不錯的話
，但應該是 0%。

那次突破有多震撼
 ？在 ImageNet 圖像識別比賽中，就能看到"臉"了。

在此之前，豎線、右下角是淺色（數字 200，而是把它們變成"空的"——可以填入任何數值：

?  ?  ??  ?  ??  ?  ?

一開始 ，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
，是因為上一層的某個檢測器輸出偏了