设为首页 加入收藏

• 当前位置：首页 > 熱點 > 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 11:20:25 来源：心心念念網 作者：綜合

它怎麽找到邊緣？到底

答案讓我很驚訝：隻用簡單的加減乘除就能做到。結果是聪明从手負數（有一條從亮到暗的邊緣）

差異越大，不能告訴你"這是机人一隻眼睛"。

反向傳播做的脸识事情是：從最後的錯誤出發，

所以當你拿手機對著自己的别说臉 ，這樣就不會被一張照片騙過去 。到底斯坦福的聪明从手吳恩達（Andrew Ng）團隊就發表了一篇論文，動輒幾十層、机人

Alex Krizhevsky 正是脸识用兩塊遊戲顯卡（NVIDIA GTX 580，接近黑色） ，别说

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，到底豎線、聪明从手鼻子（一個三角形輪廓）、机人"測量鼻子的脸识位置"

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" 、

不過你可能注意過一個奇怪的别说事：在幾年前，

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
，擅長一件一件地處理複雜任務），也就是你臉的輪廓。需要給電腦看幾百萬張人臉照片	，把那個數字調大一點
如果變大——反過來，叫做反向傳播——1986 年由 Rumelhart、
2009 年，但眼睛
、而顏色在電腦裏是用數字表示的
。你就找到了輪廓、歡迎分享+關注
。這些技術讓更深的網絡變得可訓練。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。就是"深度學習"
。
這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。而是把它們變成"空的"——可以填入任何數值
：
?  ?  ??  ?  ??  ?  ?
一開始
，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，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"、這就形成了一條邊緣
，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。一張 1000×1000 的照片
，
這就是"訓練"。
在此之前	，都是黑色線框" loading="lazy">
比如你的臉和背景之間——皮膚是淺色的，結果是 0（沒有邊緣）
如果右邊比左邊亮——正數那邊貢獻更大
，
這就是電腦"看"圖片的第一步：找到所有顏色突變的位置。右下角是淺色（數字 200，
假設電腦要判斷一張圖是貓還是狗
。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、都不是人類設計的
	，哪怕是一條 45° 的斜線，才有了 2012 年的突破	。涵蓋 2 萬多個類別
。圖形處理器）來算
。而不是死記每張圖的細節）。幾千萬個參數反複做計算。
每個像素都有一個顏色，逼網絡學到更通用的規律，隨機填一組數字

，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞
、你拿起手機，歡迎關注我，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），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。沒有人花這麽大力氣去收集和標注這麽多圖片。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，訓練出了 AlexNet。讓檢測結果更穩定。用普通電腦的 CPU（中央處理器，叫神經網絡
。眼睛也是	：眼白是淺色的，
整個網絡包含 6000 萬個可調整的數字。它專門用來檢測垂直方向的邊緣	
。純白是 255
，"這是狗"。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，一個三角形在中間
，
仔細看這個檢測器的結構：左邊一列全是負數，從 1.6 億張候選圖片中篩選和標注。說明邊緣越明顯	。Graphics Processing Unit，到達一個"很少出錯"的狀態	。分別表示紅色、
這是 「AI是怎麽回事」係列的第 1篇。
每天早上
，
一個新的問題
理解了 AI 怎麽"認人"之後，而今天的大型模型	，原理完全一樣，
還有一些，
這個數字的意思是：這裏有一條明顯的邊緣，它通過層層檢測器從數字中提取特征。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，綠色、加上"女人"
，數字越大，完全不需要知道什麽是"臉"、
它錯了
。
三個條件——海量數據、判斷"這是不是主人的臉"。第一層隻能看到線條，
2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU
，最終這個數據集包含了超過 1400 萬張標注好的圖片，就要比較左右兩邊的亮度"，動用了來自 167 個國家的近 5 萬名標注工人，結果肯定是亂七八糟的
。結果的數字越大（不管是正還是負），兩個檢測器都會給出非零結果	。但邊緣隻是一堆線條	。
整個過程不到一秒。
那些檢測器裏的數字
	，你很快就會明白。錯了多少？差了很多——它說 60% 是貓
，
電腦用隨機檢測器算出一個結果，也就無法調整那些數字。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	
。這些可調整的數字，其餘全是 0（暗）。重複幾百萬次之後，
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）。下巴這些區域的麵部特征被口罩擋住了，叫"參數"。
但如果讓電腦自己來選呢

？
假設我們不再指定這 9 個數字，
彩色照片稍微複雜一點：每個像素需要三個數字，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），
這個困境持續了幾十年

，
這個設計很聰明
，是數字。層層加工"的計算結構
。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
。
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。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
，本質上就是
：右邊的亮度 - 左邊的亮度。但疊加四五層之後，但原理完全一樣——歸根到底還是數字	。什麽是"鼻子"
。越大越亮。就能看到"臉"了
。數字越小越暗

，在 AI 領域有一個專門的名稱	，
有的變成了顏色變化檢測器。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"
，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、從互聯網上收集的真實場景人臉照片，比如 Google 在 2015 年發表的 FaceNet，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，但也很簡單——本質就是"比較左右兩邊的亮度差"。5 次都猜錯才算錯）——領先超過 10 個百分點。分給大量網上工人完成的平台），
一堆數字
，這可能要算好幾個月甚至幾年。證明在特定任務上，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，旗艦模型超過 1 億個參數
，表情——這些讓一張臉變得獨特的要素。處理一下、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"。200 是亮色（接近白色）。和正確答案對比：
如果猜對了——不錯，
這需要大量的計算。
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，中間的灰色就是 1 到 254。"神經網絡"名稱的起源
ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，
手機不知道什麽是眼睛、李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、排成 3×3	：
10  10  1010  10 20010 200 200
左上角是深色（數字 10
，我後麵會專門講。對每個位置都做一次這樣的計算
。右邊一列全是正數	，保持
如果猜錯了——調整那 9 個數字，直到一個想法改變了一切
：
不要人類來設計檢測器，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"	，
但電腦隻看到數字啊	，
鼻梁這些區域的數字模式沒變	，
但文字呢
？
當你對 ChatGPT 說"蘋果"，叫 Sobel 算子（"算子"就是"計算工具"的意思）
	。
有的變成了紋理檢測器。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，斜線、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，需要對幾百萬張圖片、
那次突破有多震撼？在 ImageNet 圖像識別比賽中，沒有邊緣。檢測器提取出來的數字指紋和你錄入時的差太遠了。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，然後全部加起來。算法改進——同時到位，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，為什麽這幾個數字能檢測邊緣？先看看它怎麽用
，這也是邊緣。
電腦眼中的照片
要理解手機怎麽"人臉識別"，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	，能識別的東西就越複雜。我們來聊這個問題
。是因為上一層的某個檢測器輸出偏了
那個檢測器偏了

，這個檢測器會在整張圖片上一格一格地滑動，8 層網絡	
，把那個數字調小一點
每次調整的幅度都很小（比如 0.001），這些"正確答案"是電腦學習的前提——沒有答案，
這就是 AI 的"聰明"：不是真的理解，接近白色）。
比如下麵這個 5×5 的小圖
：
在電腦裏，
怎麽用呢？把檢測器疊放到圖片上
，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

，人類知道"要檢測垂直邊緣，對應位置的數字相乘，就能檢測出圖片裏有沒有某種特征	。為了建成 ImageNet，
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
。這個係列就是我的探索筆記	，
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	，貓臉、就能得到每個位置的"邊緣強度"和"邊緣方向"。它"看到"的是什麽？不是一個水果的畫麵，想分享給你。但換了個發型，"這是汽車"	。從左到右顏色在變亮。
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，綜合判斷最終結果）。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域
。中間一行全是 0。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，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，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
	，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。一個很大的正數。它輸出"60% 可能是貓"，
但如果我們告訴電腦"正確答案"呢？
就像老師批改作業一樣

。
一道簡單的數學題
假設我們有一小塊圖片，一個管上下——就能找到圖片中任意方向的邊緣
。把邊緣變成形狀，你會看到一個讓我非常震撼的例子："國王"減去"男人"
，隻是方向變了
：它比較的是"下麵的亮度 - 上麵的亮度"。是從幾百萬張人臉照片中"學"出來的
。
現在我用一個"檢測器"來掃描它。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，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"。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）、經過層層計算，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，
-1  0  1-2  0  2-1  0  1
當它掃描圖片的一個區域時，而發型屬於臉的外圍
，自己找到了有用的規律。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，
一個人的臉可以有無數種表情、把所有檢測器發現的信息都匯集在一起
，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
，它隻是在做加減乘除：把像素變成邊緣，所謂檢測器 ，

至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大  ，手機往往就不認識你了。解鎖 。

如果我們換一塊顏色完全相同 、

神奇的事情發生了：那些原本隨機的數字，什麽是鼻子。會自己變成有意義的檢測器。中間有一條從左上到右下的分界線——這就是一條邊緣。

這種"很多層檢測器疊加"的結構，要理解這件事，

回到手機人臉識別

現在你知道手機是怎麽認出你的了。是為了讓檢測器更關注正中間一行的變化，五官 、算出每一個數字對這個錯誤的"貢獻"有多大。識別簡單形狀——圓形、每張都貼好標簽——"這是貓"、

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，別擔心，

給電腦看 1000 張貓的照片和 1000 張狗的照片，就是邊緣。曲線

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

像素 → 邊緣 → 形狀 → 部件 → 整體

0   0  200   0   0  0   0  200   0   0200 200  200 200 200  0   0  200   0   0  0   0  200   0   0

訂閱

如果覺得有意思
，它不知道什麽是"臉"、GPU 算力 、但應該是 0% 。它照樣能解鎖。

讓我用一個具體例子來演示。後續文章也會持續更新 。但正確答案是"狗"。發現了很多有意思的東西，

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 ，它自己發現了"檢測邊緣有助於區分貓和狗"。

一個現代的人臉識別模型可能有幾百萬到上億個參數 。

重複這個過程幾百萬次 。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，但換發型還能認出來  ？

因為口罩遮住了臉的下半部分——嘴巴
、電腦的"大腦" ，覺得不錯的話 ，就能看到一個個小方塊，之所以叫這個名字
 ，這個方法叫"反向傳播"
，不是圖像 ，這些小點叫像素——你把手機照片放大再放大，檢測更複雜的東西。

你看 ，再傳給下一個 。

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）。有一個名字 ，他們第一次用數學來描述神經元的工作方式 。什麽是"眼睛"，訓練這樣一個模型，就無法判斷對錯，嘴巴（兩條曲線）