在哪機人臉AI到底聰明起識別說從手
這就是脸识 AI 在"看"這件事上卡住了幾十年的地方 。
這個類比最早來自 1943 年 McCulloch 和 Pitts 的别说論文 ，
整個過程不到一秒。到底"這是聪明从手狗" 。手機"看到"的机人是這樣的東西 ：
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 ，
這就是脸识 AI 的"聰明" ：不是真的理解 ，
一個邊緣檢測器隻能告訴你"這裏有一條線" ，别说
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 、到底想分享給你
。聪明从手讓電腦自己學。机人
2012 年的脸识突破用了一個聰明的辦法 ：用遊戲顯卡（GPU ，數字大的别说地方 ，但原理完全一樣——歸根到底還是數字 。
整個網絡包含 6000 萬個可調整的數字。一層一層往回追溯 ，證明在特定任務上 ，
但文字呢 ？
當你對 ChatGPT 說"蘋果" ，最終這個數據集包含了超過 1400 萬張標注好的圖片 ，叫神經網絡 。
有的變成了顏色變化檢測器 。幾千萬個參數反複做計算 。就能看到"臉"了。瞳孔是深色的 ，那就是像素 。自己找到了有用的規律 。打個比方：所有人都在 74 分左右競爭 ，也就無法調整那些數字 。反向傳播算法在 1986 年就發表了 。它照樣能解鎖 。排成 3×3 ：10 10 1010 10 20010 200 200左上角是深色（數字 10 ，但正確答案是"狗" 。後續文章也會持續更新 。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，
有的變成了紋理檢測器 。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） 、動用了來自 167 個國家的近 5 萬名標注工人 ，但疊加四五層之後，現在你隻需要知道 ：電腦有辦法算出調整的方向和幅度 。ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，
所以當你拿手機對著自己的臉 ，
2009 年 ，經過層層計算，才有了 2012 年的突破 。叫 Sobel 算子（"算子"就是"計算工具"的意思） 。
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 ，把所有檢測器發現的信息都匯集在一起 ，
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 ，它自己發現了"檢測邊緣有助於區分貓和狗" 。越大越亮 。
邊緣勾勒出了圖片裏"有東西"的地方 。
這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。檢測器提取出來的數字指紋和你錄入時的差太遠了。叫"參數" 。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 ，
疊加 ：從線條到人臉
但一層檢測器還不夠 。
每天早上，所以選擇了這樣的數字組合 。人類知道"要檢測垂直邊緣 ，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" 、戴上口罩 ，分給大量網上工人完成的平台），然後比較兩組數字有多接近 。
這需要大量的計算。
這個數字的意思是 ：這裏有一條明顯的邊緣，而不是死記每張圖的細節） 。本質上就是 ：右邊的亮度 - 左邊的亮度 。
這就是"訓練" 。結果是負數（有一條從亮到暗的邊緣）
- 采集麵部數據 ：手機用攝像頭和傳感器采集你的麵部信息 ，把所有檢測器發現的信息都匯集在一起 ，
差異越大
，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
，結果是正數（有一條從暗到亮的邊緣）
不過你可能注意過一個奇怪的事 ：在幾年前，在 AI 領域有一個專門的名稱 ，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 。而是一堆數字 。
一個現代的人臉識別模型可能有幾百萬到上億個參數 。五官 、但永遠覆蓋不了真實世界的複雜性 。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 。5 次都猜錯才算錯）——領先超過 10 個百分點 。這樣就不會被一張照片騙過去 。花了大約 5-6 天 ，第一層隻能看到線條 ，
回到手機人臉識別
現在你知道手機是怎麽認出你的了 。而顏色在電腦裏是用數字表示的。LFW 準確率 99.63%
重複這個過程幾百萬次 。
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） 。
不過你可能發現了 ，
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 。這個係列就是我的探索筆記 ，曲線
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 。為什麽？
先別急著回答 。對應位置的數字相乘，斜線 、
每個像素都有一個顏色 ，
- 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 ，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） ，一張 1000×1000 的照片 ，
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，所以還能匹配上 。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，什麽是鼻子 。49000 名標注工人來自 167 個國家
2012 年 ，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 ，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色 ，對應位置相乘再相加（這個操作的專業名稱叫"卷積" ，
現在我用一個"檢測器"來掃描它 。就叫"深度神經網絡" ，這可能要算好幾個月甚至幾年。隻用加減乘除，處理一下 、兩個檢測器都會給出非零結果 。訓練這樣一個模型，
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。加上"女人" ，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文 ，都不是人類設計的 ，
怎麽用呢 ？把檢測器疊放到圖片上 ，完全不需要知道什麽是"臉" 、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 ，Graphics Processing Unit ，為了建成 ImageNet ，GPU 訓練神經網絡比 CPU 快約 70 倍 。中間一行全是 0 。動輒幾十層 、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" 。GPU 算力 、不過你不需要把這個類比想得太深——它隻是一種"層層傳遞 、它有 8 層 。鼻子（一個三角形輪廓） 、但換了個發型 ，右邊一列全是正數 ，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，貓臉 、建議零售價 $499
訂閱
如果覺得有意思 ，說明邊緣越明顯 。把那個數字調大一點
還有一些 ，
三個條件——海量數據 、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 ，
比如下麵這個 5×5 的小圖：
在電腦裏 ，你就找到了輪廓 、也就是你臉的輪廓 。嘴巴（兩條曲線）
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 ，
這就是"學習"的本質：不是有人教了它規則 ，讓檢測結果更穩定 。算法改進——同時到位 ，
電腦眼中的照片
要理解手機怎麽"人臉識別"，逼網絡學到更通用的規律 ，你會看到一個讓我非常震撼的例子："國王"減去"男人"，就能找到圖片裏顏色變化的地方 。就 9 個像素，"神經網絡"名稱的起源
- 如果變小——好
，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
、就要比較左右兩邊的亮度" ，為什麽這幾個數字能檢測邊緣 ？先看看它怎麽用 ，能識別的東西就越複雜。而今天的大型模型，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你 。
神奇的事情發生了 ：那些原本隨機的數字 ，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 ，圖形處理器）來算 。什麽是"鼻子" 。從左到右顏色在變亮 。
彩色照片稍微複雜一點 ：每個像素需要三個數字 ，突然有人考了 85 分。擅長一件一件地處理複雜任務） ，
你看 ，這些小點叫像素——你把手機照片放大再放大 ，
手機不知道什麽是眼睛 、歡迎關注我 ，層數很多的神經網絡 ，比如 ，
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 ，比如 Google 在 2015 年發表的 FaceNet ，但核心識別原理——把采集到的數據變成數字、從 1.6 億張候選圖片中篩選和標注。涵蓋 2 萬多個類別 。人臉識別的學習過程完全一樣 。
這是 「AI是怎麽回事」係列的第
1篇 。在此之前 ，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 ，
那些檢測器裏的數字 ，
假設電腦要判斷一張圖是貓還是狗 。檢測器關注的主要是五官區域的特征——發型變了，再傳給下一個。
- 如果左右兩邊顏色一樣——正數和負數互相抵消，結果的數字越大（不管是正還是負） ，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，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" ，測量臉的立體形狀，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 ，
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 ，至今已經用了半個多世紀。上百層 ，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、有一個名字，這個檢測器會在整張圖片上一格一格地滑動 ，當時售價 499 美元），參數量更是以億計 。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 。這就形成了一條邊緣 ，
GPU 原本是用來生成（渲染）遊戲畫麵的。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 00 是黑色，是數字 。為什麽沒有更早實現？
事實上 ，
但如果我們告訴電腦"正確答案"呢？
就像老師批改作業一樣。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 ，讓下次更可能猜對
怎麽調整 ？不是隨機亂調 ，它通過層層檢測器從數字中提取特征 。都是黑色線框" loading="lazy">
比如你的臉和背景之間——皮膚是淺色的 ，就無法判斷對錯 ，但換發型還能認出來 ？
因為口罩遮住了臉的下半部分——嘴巴 、歡迎分享+關注 。
-1 0 1-2 0 2-1 0 1當它掃描圖片的一個區域時 ，隨機填一組數字 ，它"看到"的是什麽？不是一個水果的畫麵 ，
而關鍵是 ：每一層的檢測器裏的數字，重複幾百萬次之後 ，
不能告訴你"這是一隻眼睛" 。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 ，分別表示紅色 、隻是方向變了 ：它比較的是"下麵的亮度 - 上麵的亮度" 。是電腦自己從數據裏學出來的。層層提取特征——和我們前麵講的完全一樣）
- 如果左右兩邊顏色一樣——正數和負數互相抵消，結果的數字越大（不管是正還是負） ，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，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" ，測量臉的立體形狀，不是咬一口的味道——那它"看到"的是什麽 ？
- 層層檢測 ：這些數字經過很多層檢測器——第一層找邊緣 ，我一直很好奇 AI 到底是怎麽工作的 ，接近白色） 。神經網絡的概念在 1940 年代就有了，其餘全是 0（暗） 。數字越小越暗 ，鼻梁這些區域的數字模式沒變，旗艦模型超過 1 億個參數 ，把邊緣變成形狀 ，判斷"這是不是主人的臉"。然後全部加起來 。綠色 、就能看到一個個小方塊 ，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 ，表情——這些讓一張臉變得獨特的要素 。原理完全一樣 ，是因為上一層的某個檢測器輸出偏了
- 那個檢測器偏了
，
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 。中間有一條從左上到右下的分界線——這就是一條邊緣 。沒有邊緣 。而是把它們變成"空的"——可以填入任何數值 ：
? ? ?? ? ?? ? ?一開始 ，要理解這件事，每張都貼好標簽——"這是貓" 、第二層找形狀，它輸出"60% 可能是貓" ，
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 ，
如果我們換一塊顏色完全相同 、斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集 。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 ，即可訂閱 。
2. 算力
訓練一個模型 ，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" ，需要給電腦看幾百萬張人臉照片 ，而是它從大量的對錯反饋中，
電腦沒有被告知"要檢測邊緣"。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。他們第一次用數學來描述神經元的工作方式。
這個設計很聰明，會自己變成有意義的檢測器 。
這個困境持續了幾十年，這個方法叫"反向傳播" ，
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 。把兩個結果綜合起來 ，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 ，下巴這些區域的麵部特征被口罩擋住了
，但應該是 0% 。
這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置 。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 。它隻是在做加減乘除 ：把像素變成邊緣 ，
一道簡單的數學題
假設我們有一小塊圖片 ，
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 ，但電腦隻看到數字啊 ，我後麵會專門講 。這些可調整的數字 ，8 層網絡 ，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，
這種"很多層檢測器疊加"的結構 ，這些"正確答案"是電腦學習的前提——沒有答案 ，但對所有數字同時做這種微調 ，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊 、6000 萬參數 ，第三層找五官部件 ，接近黑色） ，而發型屬於臉的外圍 ，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 ，但邊緣隻是一堆線條 。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域 。200 是亮色（接近白色） 。
它錯了 。
給電腦看 1000 張貓的照片和 1000 張狗的照片 ，所以這幾層叫"卷積層"） 。背景可能是深色的 ，就是一組數字組成的小模板——把它疊到圖片上 ，
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 ，也會同時在左右和上下兩個方向上產生亮度差 ，
反向傳播做的事情是 ：從最後的錯誤出發 ，一個管上下——就能找到圖片中任意方向的邊緣。到達一個"很少出錯"的狀態 。所謂檢測器 ，"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" 、
最簡單的情況是黑白照片 ：純黑是 0，中間一列全是 0 。需要對幾百萬張圖片 、
電腦用隨機檢測器算出一個結果 ，什麽是"眼睛" ，是為了讓檢測器更關注正中間一行的變化 ，我們來聊這個問題 。取名 AlexNet（Alex 的網絡） 。下麵一行全是正數 ，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 。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 ，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），你從來沒想過這件事有什麽特別的 。
但如果讓電腦自己來選呢 ？
假設我們不再指定這 9 個數字 ，每一張都要把所有參數調整一遍 。眼睛也是 ：眼白是淺色的，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 ，是從幾百萬張人臉照片中"學"出來的 。一個三角形在中間 ，你很快就會明白 。層數越多 ，
一個人的臉可以有無數種表情 、找到了邊緣 ，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字 ，覺得不錯的話，看一眼屏幕 ，無數種光線 。那些數字就會逐漸穩定下來，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 、下麵有一條橫線，把那個數字調小一點
每次調整的幅度都很小（比如 0.001） ，它不知道什麽是"臉" 、把部件變成一組代表你這張臉的數字 ，數字越大 ，電腦的"大腦"，就是一串能代表你長相特征的數字）
整個過程沒有任何"理解"
。結果是 0（沒有邊緣）
這就是電腦"看到"的東西 。
一堆數字 ，中間的灰色就是 1 到 254。純白是 255 ，
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，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 ，一個很大的正數 。檢測更複雜的東西 。
實際使用時 ，
解決方法是 ：疊加很多層 。綜合判斷最終結果） 。和正確答案對比：
- 如果猜對了——不錯，直到一個想法改變了一切
：
不要人類來設計檢測器，用普通電腦的 CPU（中央處理器 ，這也是邊緣 。
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 ，錯了多少 ？差了很多——它說 60% 是貓 ，無數種角度、
讓我用一個簡化的例子來說明 。就是邊緣 。"這是狗"、
讓我用一個具體例子來演示 。
3. 算法
AlexNet 還用了幾個關鍵的技術改進 。
"標注好"的意思是 ：每張圖片都有人告訴你"這是貓" 、
一個新的問題
理解了 AI 怎麽"認人"之後 ，就是"深度學習" 。
至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大 ，
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 ，它專門用來檢測垂直方向的邊緣 。層層加工"的計算結構 。但也很簡單——本質就是"比較左右兩邊的亮度差"
。從互聯網上收集的真實場景人臉照片，我們先用一個更簡單的任務來說明這個過程——區分貓和狗 。
那次突破有多震撼 ？在 ImageNet 圖像識別比賽中，你拿起手機，就有 100 萬個像素。手機往往就不認識你了。AI 為什麽能通過律師考試卻會一本正經地撒謊 。這些技術讓更深的網絡變得可訓練 。不是圖像，右下角是淺色（數字 200 ，把形狀變成部件 ，叫做反向傳播——1986 年由 Rumelhart 、三角形 、沒有人花這麽大力氣去收集和標注這麽多圖片 。解鎖 。變成了"這個位置有沒有邊緣"的數字。哪怕是一條 45° 的斜線 ，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
，之所以叫這個名字 ，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 ，
- 有人試著寫規則
："如果有兩個圓形在上麵 ，錯了多少 ？差了很多——它說 60% 是貓 ，無數種角度、
