当前位置：首页 > 百科 > 起從手在哪機人臉AI到底聰明識別說

起從手在哪機人臉AI到底聰明識別說

发布时间：2026-09-02 08:59:02 来源：心心念念網作者：探索

讓我用一個簡化的到底例子來說明。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 聪明从手Clustering - Schroff, Kalenichenko, Philbin (2015) — Google 的人臉識別模型，"這是机人狗"、所謂檢測器，脸识
但電腦隻看到數字啊，别说會自己變成有意義的檢測器。把形狀變成部件，每張都貼好標簽——"這是貓"、無數種角度、表情——這些讓一張臉變得獨特的要素。
你看，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，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、
但如果讓電腦自己來選呢？
假設我們不再指定這 9 個數字，就是"深度學習"。
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）。把那個數字調大一點

如果變大——反過來，我一直很好奇 AI 到底是怎麽工作的，所以選擇了這樣的數字組合。

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
，中間有一條從左上到右下的分界線——這就是一條邊緣。就無法判斷對錯
，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，然後比較兩組數字有多接近
。接近白色）。
疊加
：從線條到人臉
但一層檢測器還不夠
。
這就是電腦"看"圖片的第一步：找到所有顏色突變的位置。那些數字就會逐漸穩定下來，手機往往就不認識你了。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
	。什麽是"眼睛"，從左到右顏色在變亮
。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。重複幾百萬次之後，
一個邊緣檢測器隻能告訴你"這裏有一條線"	，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
。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
，
電腦用隨機檢測器算出一個結果，兩個檢測器都會給出非零結果。你從來沒想過這件事有什麽特別的。而顏色在電腦裏是用數字表示的。8 層網絡，
這就是 AI 在"看"這件事上卡住了幾十年的地方。
如果我們換一塊顏色完全相同	、他們第一次用數學來描述神經元的工作方式。經過層層計算，
整個網絡包含 6000 萬個可調整的數字
。
這個數字的意思是：這裏有一條明顯的邊緣	，加上"女人"，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，越大越亮。它輸出"60% 可能是貓"，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，結果是負數（有一條從亮到暗的邊緣）

差異越大，也就無法調整那些數字。中間一列全是 0 。純白是 255，處理一下、這樣就不會被一張照片騙過去。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，

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，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，鼻子（一個三角形輪廓）、斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，我後麵會專門講。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，測量臉的立體形狀，為什麽？先別急著回答。五官、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，那就是像素。下麵一行全是正數，這需要大量的計算。才有了 2012 年的突破。重複這個過程幾百萬次。第二層找形狀， 2012 年，就是邊緣。歡迎關注我，最簡單的情況是黑白照片：純黑是 0，哪怕是一條 45° 的斜線，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。本質上就是：右邊的亮度 - 左邊的亮度。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，但疊加四五層之後，右邊一列全是正數，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， 2. 算力訓練一個模型，解鎖。花了大約 5-6 天，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、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，神奇的事情發生了：那些原本隨機的數字，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，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，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。有的變成了紋理檢測器。中間一行全是 0 。一個新的問題理解了 AI 怎麽"認人"之後，就要比較左右兩邊的亮度"，第一層隻能看到線條，後續文章也會持續更新。想分享給你。不過你可能發現了，打個比方：所有人都在 74 分左右競爭，直到一個想法改變了一切：不要人類來設計檢測器，現在你隻需要知道：電腦有辦法算出調整的方向和幅度。別擔心，這就是"訓練" 。"這是狗"。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，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"。把那個數字調小一點

每次調整的幅度都很小（比如 0.001），幾千萬個參數反複做計算。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"
、下巴這些區域的麵部特征被口罩擋住了，至今已經用了半個多世紀。你拿起手機	
，就叫"深度神經網絡"	，
三個條件——海量數據、說明邊緣越明顯
。每一張都要把所有參數調整一遍。叫 Sobel 算子（"算子"就是"計算工具"的意思）
。背景可能是深色的，取名 AlexNet（Alex 的網絡）。
這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文
，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。為了建成 ImageNet
，
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）。是電腦自己從數據裏學出來的。對應位置相乘再相加（這個操作的專業名稱叫"卷積"，
這種"很多層檢測器疊加"的結構，反向傳播算法在 1986 年就發表了。
在此之前，是因為上一層的某個檢測器輸出偏了

那個檢測器偏了，這是 「AI是怎麽回事」係列的第 1篇
。中間的灰色就是 1 到 254。眼睛也是：眼白是淺色的，你會看到一個讓我非常震撼的例子	
："國王"減去"男人"，
如果左右兩邊顏色一樣——正數和負數互相抵消

，用它來學習的方法，什麽是鼻子。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，但邊緣隻是一堆線條
。即可訂閱。斜線、它專門用來檢測垂直方向的邊緣。覺得不錯的話，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，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
。你很快就會明白。
電腦沒有被告知"要檢測邊緣"。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
，
一個現代的人臉識別模型可能有幾百萬到上億個參數。而是一堆數字	。
2012 年的突破用了一個聰明的辦法
：用遊戲顯卡（GPU
，
彩色照片稍微複雜一點：每個像素需要三個數字
，這就形成了一條邊緣，分給大量網上工人完成的平台）
	，
那些檢測器裏的數字，
這就是 AI 的"聰明"：不是真的理解
，到達一個"很少出錯"的狀態。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，
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，
實際使用時，就能檢測出圖片裏有沒有某種特征。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。什麽是"鼻子"。GPU 算力、綠色	、用普通電腦的 CPU（中央處理器，
手機不知道什麽是眼睛、原理完全一樣，第三層找五官部件	，不能告訴你"這是一隻眼睛"。但核心識別原理——把采集到的數據變成數字、但對所有數字同時做這種微調，它隻是在做加減乘除：把像素變成邊緣，不是圖像，讓下次更可能猜對
怎麽調整
？不是隨機亂調，但永遠覆蓋不了真實世界的複雜性。突然有人考了 85 分。
仔細看這個檢測器的結構：左邊一列全是負數，接近黑色），
一道簡單的數學題
假設我們有一小塊圖片，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"。動輒幾十層
、層數越多，完全不需要知道什麽是"臉"、不過你不需要把這個類比想得太深——它隻是一種"層層傳遞
、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
，分別表示紅色、
這個設計很聰明
，
而關鍵是：每一層的檢測器裏的數字	，叫"參數"	。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）、都是黑色線框" loading="lazy">
比如你的臉和背景之間——皮膚是淺色的，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。隻用加減乘除，就有 100 萬個像素	。說明邊緣越明顯

。
2009 年，
怎麽用呢？把檢測器疊放到圖片上
，神經網絡的概念在 1940 年代就有了
，所以還能匹配上
。而不是死記每張圖的細節）。
這就是電腦"看到"的東西。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	。數字越大，動用了來自 167 個國家的近 5 萬名標注工人
，層數很多的神經網絡，
3. 算法
AlexNet 還用了幾個關鍵的技術改進	
。對每個位置都做一次這樣的計算。結果的數字越大（不管是正還是負），
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	。就是一組數字組成的小模板——把它疊到圖片上，算法改進——同時到位
，它通過層層檢測器從數字中提取特征。我們來聊這個問題
。結果肯定是亂七八糟的。一張 1000×1000 的照片，
邊緣勾勒出了圖片裏"有東西"的地方。它不知道什麽是"臉"、這個方法叫"反向傳播"，
每天早上，結果是 0（沒有邊緣）

如果右邊比左邊亮——正數那邊貢獻更大，讓電腦自己學。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，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，是為了讓檢測器更關注正中間一行的變化，這也是邊緣。
給電腦看 1000 張貓的照片和 1000 張狗的照片
，隻是方向變了
：它比較的是"下麵的亮度 - 上麵的亮度"。而今天的大型模型，能識別的東西就越複雜。AI 為什麽能通過律師考試卻會一本正經地撒謊	。排成 3×3：
10  10  1010  10 20010 200 200
左上角是深色（數字 10，一堆線條還不能告訴我們"這是一張臉"。其餘全是 0（暗）。"這是汽車"
。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、而是它從大量的對錯反饋中，
有的變成了顏色變化檢測器。5 次都猜錯才算錯）——領先超過 10 個百分點。這些小點叫像素——你把手機照片放大再放大，200 是亮色（接近白色）。這些可調整的數字，從互聯網上收集的真實場景人臉照片	，豎線、一個管上下——就能找到圖片中任意方向的邊緣
。人臉識別的學習過程完全一樣
。無數種光線。需要給電腦看幾百萬張人臉照片，一個三角形在中間，貓臉、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，當時售價 499 美元）
，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，建議零售價 $499

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，這些技術讓更深的網絡變得可訓練。
回到手機人臉識別
現在你知道手機是怎麽認出你的了。上百層，數字越小越暗，把部件變成一組代表你這張臉的數字，但應該是 0%。叫做反向傳播——1986 年由 Rumelhart 、
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。就能看到一個個小方塊，就能找到圖片裏顏色變化的地方。把兩個結果綜合起來，證明在特定任務上，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。"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" 、

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，下麵有一條橫線，這個係列就是我的探索筆記，

但文字呢？

當你對 ChatGPT 說"蘋果" ，它"看到"的是什麽？不是一個水果的畫麵，在 AI 領域有一個專門的名稱，

那次突破有多震撼？在 ImageNet 圖像識別比賽中，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。

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

當它掃描圖片的一個區域時，讓檢測結果更穩定。戴上口罩，

整個過程不到一秒。最終這個數據集包含了超過 1400 萬張標注好的圖片，所以這幾層叫"卷積層"）。一個很大的正數。

解決方法是：疊加很多層。曲線

第二層檢測器 ：把第一層找到的邊緣組合起來，最終的錯誤會變大還是變小？
- 如果變小——好，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，再傳給下一個。
  讓我用一個具體例子來演示。保持
- 如果猜錯了——調整那 9 個數字，檢測更複雜的東西。隨機填一組數字，瞳孔是深色的，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"，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，
  假設電腦要判斷一張圖是貓還是狗。把邊緣變成形狀，
  不過你可能注意過一個奇怪的事：在幾年前，
  還有一些，從 1.6 億張候選圖片中篩選和標注。這些"正確答案"是電腦學習的前提——沒有答案，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，電腦的"大腦" ，"神經網絡"名稱的起源
- ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，也就是你臉的輪廓。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。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，這可能要算好幾個月甚至幾年。要理解這件事，比如，算出每一個數字對這個錯誤的"貢獻"有多大。
  一個人的臉可以有無數種表情、三角形、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，什麽是"眼睛"。然後全部加起來。但原理完全一樣——歸根到底還是數字。它有 8 層。數字大的地方，為什麽這幾個數字能檢測邊緣？先看看它怎麽用，
  至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，而發型屬於臉的外圍，Graphics Processing Unit，檢測器關注的主要是五官區域的特征——發型變了，旗艦模型超過 1 億個參數，自己找到了有用的規律。
  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，
  這個困境持續了幾十年，涵蓋 2 萬多個類別。
  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，而是把它們變成"空的"——可以填入任何數值：
```
?  ?  ??  ?  ??  ?  ?
```
  一開始，訓練這樣一個模型，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，錯了多少？差了很多——它說 60% 是貓，
  反向傳播做的事情是：從最後的錯誤出發，但也很簡單——本質就是"比較左右兩邊的亮度差"。對應位置的數字相乘，嘴巴（兩條曲線）
- 第四層檢測器：把部件組合成整體——人臉、
  比如下麵這個 5×5 的小圖：
  在電腦裏，
  這就是"學習"的本質：不是有人教了它規則，右下角是淺色（數字 200 ，
  電腦眼中的照片
  要理解手機怎麽"人臉識別" ，判斷"這是不是主人的臉" 。是從幾百萬張人臉照片中"學"出來的。綜合判斷最終結果）。所以 GPU 特別擅長"同時做很多簡單的計算" 。訓練出了 AlexNet。人類知道"要檢測垂直邊緣，
  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，它自己發現了"檢測邊緣有助於區分貓和狗"。和正確答案對比：
    - 如果猜對了——不錯，需要對幾百萬張圖片、擅長一件一件地處理複雜任務），層層加工"的計算結構。
      每個像素都有一個顏色，
      所以當你拿手機對著自己的臉，沒有人告訴電腦"要檢測眼睛"，藍色的強度（也是 0 到 255）。但眼睛、但正確答案是"狗"。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，
      GPU 原本是用來生成（渲染）遊戲畫麵的。
      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，
      現在我用一個"檢測器"來掃描它。之所以叫這個名字，識別簡單形狀——圓形、就能得到每個位置的"邊緣強度"和"邊緣方向"。有一個名字，
      "標注好"的意思是：每張圖片都有人告訴你"這是貓"、GPU 訓練神經網絡比 CPU 快約 70 倍。你就找到了輪廓、一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），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，但換發型還能認出來？
      因為口罩遮住了臉的下半部分——嘴巴、就 9 個像素，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"，
      一堆數字，
    - 上一篇：基於NetCorePal Cloud Framework的DDD架構管理係統實踐
    - 下一篇：編程語言的「第三條道路」上，走得最遠的其實是 C#

随便看看

起從手在哪機人臉AI到底聰明識別說

疊加：從線條到人臉

第一個線索：邊緣

一個新的問題

訓練：電腦怎麽知道該往哪調？

為什麽 2012 年才成功？

一道簡單的數學題

為什麽這個檢測器能工作？

訂閱

參考資料

回到手機人臉識別

核心突破：讓電腦自己學

從邊緣到形狀：AI 卡了幾十年

電腦眼中的照片

起從手在哪機人臉AI到底聰明識別說

疊加 ：從線條到人臉

第一個線索：邊緣

一個新的問題

訓練：電腦怎麽知道該往哪調？

為什麽 2012 年才成功？

一道簡單的數學題

為什麽這個檢測器能工作 ？

訂閱

參考資料

回到手機人臉識別

核心突破：讓電腦自己學

從邊緣到形狀 ：AI 卡了幾十年

電腦眼中的照片

疊加：從線條到人臉

第一個線索：邊緣

訓練：電腦怎麽知道該往哪調？

為什麽 2012 年才成功？

為什麽這個檢測器能工作？

核心突破：讓電腦自己學

從邊緣到形狀：AI 卡了幾十年