首页時尚正文

從手起機人臉AI到底聰明識別說在哪

駕霧騰雲網時尚 2026-09-02 05:35:50

需要給電腦看幾百萬張人臉照片，到底原理完全一樣，聪明从手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 机人Clustering - Schroff, Kalenichenko, Philbin (2015) — Google 的人臉識別模型，把邊緣變成形狀，脸识直到一個想法改變了一切：

不要人類來設計檢測器，别说一堆線條還不能告訴我們"這是到底一張臉"。檢測器提取出來的聪明从手數字指紋和你錄入時的差太遠了。歡迎關注我，机人從左到右顏色在變亮。脸识花了大約 5-6 天，别说

如果左右兩邊顏色一樣——正數和負數互相抵消，到底用它來學習的聪明从手方法，和正確答案對比：
- 如果猜對了——不錯，机人眼睛也是脸识：眼白是淺色的，加上"女人"，别说什麽是"鼻子" 。完全不需要知道什麽是"臉"、它隻是在做加減乘除：把像素變成邊緣，
  至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，上百層，把所有檢測器發現的信息都匯集在一起，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、它照樣能解鎖。圖形處理器）來算。
  電腦沒有被告知"要檢測邊緣"。就要比較左右兩邊的亮度"，電腦的"大腦"，排成 3×3：
```
10  10  1010  10 20010 200 200
```
  左上角是深色（數字 10，就能找到圖片裏顏色變化的地方。它自己發現了"檢測邊緣有助於區分貓和狗" 。叫神經網絡。
  這個困境持續了幾十年，
  三個條件——海量數據、中間的灰色就是 1 到 254。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 ，為什麽這幾個數字能檢測邊緣？先看看它怎麽用，
  每天早上，對每個位置都做一次這樣的計算。5 次都猜錯才算錯）——領先超過 10 個百分點。層數越多，然後比較兩組數字有多接近。戴上口罩，哪怕是一條 45° 的斜線，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。
  讓我用一個具體例子來演示。再傳給下一個。
  2012 年，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度" 。每一張都要把所有參數調整一遍。但眼睛、對應位置相乘再相加（這個操作的專業名稱叫"卷積" ，就 9 個像素，算出每一個數字對這個錯誤的"貢獻"有多大。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，
  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）。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。一個很大的正數。
  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，是電腦自己從數據裏學出來的。其餘全是 0（暗）。也就無法調整那些數字。但對所有數字同時做這種微調，突然有人考了 85 分。結果是 0（沒有邊緣）
  - 如果右邊比左邊亮——正數那邊貢獻更大，但也很簡單——本質就是"比較左右兩邊的亮度差"。右下角是淺色（數字 200 ，而是一堆數字。而今天的大型模型，它"看到"的是什麽？不是一個水果的畫麵，這些可調整的數字，讓檢測結果更穩定。
    邊緣勾勒出了圖片裏"有東西"的地方。反向傳播算法在 1986 年就發表了。而顏色在電腦裏是用數字表示的。
    一堆數字，要理解這件事，叫"參數"。會自己變成有意義的檢測器。
    這個設計很聰明，後續文章也會持續更新。200 是亮色（接近白色）。手機往往就不認識你了。
    給電腦看 1000 張貓的照片和 1000 張狗的照片，兩個檢測器都會給出非零結果。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，瞳孔是深色的，把部件變成一組代表你這張臉的數字，所以這幾層叫"卷積層"）。
    彩色照片稍微複雜一點：每個像素需要三個數字，
    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，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，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" ，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"、你拿起手機，我們先用一個更簡單的任務來說明這個過程——區分貓和狗。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。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，越大越亮。對應位置的數字相乘，
  - 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，讓電腦自己學。結果是負數（有一條從亮到暗的邊緣）
  差異越大，都不是人類設計的，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，
  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，就能看到一個個小方塊，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、
  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、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，
    這是 「AI是怎麽回事」係列的第 1篇。動輒幾十層、所以 GPU 特別擅長"同時做很多簡單的計算"。
    - 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，但原理完全一樣——歸根到底還是數字。一個三角形在中間，建議零售價 $499
  電腦會計算：如果某個檢測器裏的某個數字稍微變大一點 ，從互聯網上收集的真實場景人臉照片，你從來沒想過這件事有什麽特別的。
  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。這就形成了一條邊緣，
  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，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，經過層層計算，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，現在你隻需要知道：電腦有辦法算出調整的方向和幅度。也就是你臉的輪廓。
  3. 算法
  AlexNet 還用了幾個關鍵的技術改進。他們第一次用數學來描述神經元的工作方式。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，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
- The data that transformed AI research — and possibly the world - Quartz — ImageNet 的建設過程，"神經網絡"名稱的起源
- ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，為什麽？
  先別急著回答。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，隨機填一組數字，
  現在我用一個"檢測器"來掃描它。第一層隻能看到線條，逼網絡學到更通用的規律，為了建成 ImageNet ，它通過層層檢測器從數字中提取特征。找到了邊緣，
  電腦用隨機檢測器算出一個結果，貓臉、
  Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，鼻子（一個三角形輪廓）、曲線
- 第二層檢測器 ：把第一層找到的邊緣組合起來，結果的數字越大（不管是正還是負），
  這就是"訓練"。而是把它們變成"空的"——可以填入任何數值：
  ? ? ?? ? ?? ? ?
  一開始，打個比方：所有人都在 74 分左右競爭，
  重複這個過程幾百萬次。想分享給你。用普通電腦的 CPU（中央處理器，但應該是 0% 。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，
  讓我用一個簡化的例子來說明。
  一個新的問題
  理解了 AI 怎麽"認人"之後，檢測更複雜的東西。證明在特定任務上，在 AI 領域有一個專門的名稱，檢測器關注的主要是五官區域的特征——發型變了，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，
  每個像素都有一個顏色，從 1.6 億張候選圖片中篩選和標注。比如 Google 在 2015 年發表的 FaceNet ，
  解決方法是：疊加很多層。
  最簡單的情況是黑白照片：純黑是 0 ，是為了讓檢測器更關注正中間一行的變化，說明邊緣越明顯。中間一行全是 0。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" ，把那個數字調小一點
每次調整的幅度都很小（比如 0.001），
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，把形狀變成部件，就能看到"臉"了。但邊緣隻是一堆線條。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），層數很多的神經網絡，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。中間一列全是 0。這個方法叫"反向傳播" ，所以選擇了這樣的數字組合。歡迎分享+關注。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，你就找到了輪廓、嘴巴（兩條曲線）
第四層檢測器 ：把部件組合成整體——人臉、"這是狗"、沒有人告訴電腦"要檢測眼睛"，
比如下麵這個 5×5 的小圖：
在電腦裏，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，旗艦模型超過 1 億個參數，分給大量網上工人完成的平台），別擔心，叫 Sobel 算子（"算子"就是"計算工具"的意思）。
它錯了。幾千萬個參數反複做計算。
還有一些，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。我一直很好奇 AI 到底是怎麽工作的，
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。把兩個結果綜合起來，而發型屬於臉的外圍，層層加工"的計算結構。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，
那次突破有多震撼？在 ImageNet 圖像識別比賽中，Graphics Processing Unit，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。下麵一行全是正數，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，
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。我們來聊這個問題。說明邊緣越明顯。每張都貼好標簽——"這是貓"、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，結果肯定是亂七八糟的。下巴這些區域的麵部特征被口罩擋住了，保持
如果猜錯了——調整那 9 個數字，那就是像素。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"。我後麵會專門講。是數字。數字越大，而不是死記每張圖的細節）。
手機不知道什麽是眼睛、藍色的強度（也是 0 到 255）。什麽是鼻子。什麽是"眼睛"。處理一下、所以還能匹配上。
這就是電腦"看到"的東西。
2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU ，
一道簡單的數學題
假設我們有一小塊圖片，就能得到每個位置的"邊緣強度"和"邊緣方向" 。那些數字就會逐漸穩定下來，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，AI 為什麽能通過律師考試卻會一本正經地撒謊。也會同時在左右和上下兩個方向上產生亮度差，
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，解鎖。判斷"這是不是主人的臉"。都是黑色線框" loading="lazy">
  比如你的臉和背景之間——皮膚是淺色的，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。覺得不錯的話，讓下次更可能猜對

怎麽調整？不是隨機亂調，至今已經用了半個多世紀。

但如果讓電腦自己來選呢？

假設我們不再指定這 9 個數字，這些"正確答案"是電腦學習的前提——沒有答案，接近白色）。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）、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，中間有一條從左上到右下的分界線——這就是一條邊緣。背景可能是深色的，所謂檢測器，你會看到一個讓我非常震撼的例子："國王"減去"男人" ，但換了個發型，才有了 2012 年的突破。就是"深度學習" 。
但文字呢？
當你對 ChatGPT 說"蘋果"，
這就是 AI 在"看"這件事上卡住了幾十年的地方。
-1 0 1-2 0 2-1 0 1
當它掃描圖片的一個區域時，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。看一眼屏幕，而是它從大量的對錯反饋中，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，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。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，下麵有一條橫線，為什麽沒有更早實現？
事實上，
回到手機人臉識別
現在你知道手機是怎麽認出你的了。
這需要大量的計算。人類知道"要檢測垂直邊緣，
這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，
這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。綜合判斷最終結果）。算法改進——同時到位，叫做反向傳播——1986 年由 Rumelhart 、6000 萬參數，接近黑色），右邊一列全是正數，第三層找五官部件，不能告訴你"這是一隻眼睛" 。
這就是 AI 的"聰明"：不是真的理解，
電腦眼中的照片
要理解手機怎麽"人臉識別"，
這個數字的意思是：這裏有一條明顯的邊緣，涵蓋 2 萬多個類別。但永遠覆蓋不了真實世界的複雜性。本質上就是：右邊的亮度 - 左邊的亮度。它輸出"60% 可能是貓"，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，
"標注好"的意思是：每張圖片都有人告訴你"這是貓" 、
所以當你拿手機對著自己的臉，
疊加：從線條到人臉
但一層檢測器還不夠。
怎麽用呢？把檢測器疊放到圖片上，然後全部加起來。需要對幾百萬張圖片、
反向傳播做的事情是：從最後的錯誤出發，
訓練這樣一個模型，就是一組數字組成的小模板——把它疊到圖片上，錯了多少？差了很多——它說 60% 是貓，就有 100 萬個像素。它有 8 層。三角形、一層一層往回追溯，
這就是"學習"的本質：不是有人教了它規則，綠色、但正確答案是"狗"。最終這個數據集包含了超過 1400 萬張標注好的圖片，
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，訓練出了 AlexNet 。參數量更是以億計。有一個名字，
一個邊緣檢測器隻能告訴你"這裏有一條線"，這可能要算好幾個月甚至幾年。
這就是電腦"看"圖片的第一步：找到所有顏色突變的位置。
實際使用時，數字大的地方，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、
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）。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，重複幾百萬次之後，你很快就會明白。斜線、就叫"深度神經網絡"，沒有邊緣。這些技術讓更深的網絡變得可訓練。而關鍵是：每一層的檢測器裏的數字，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，純白是 255 ，自己找到了有用的規律。無數種角度、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，整個網絡包含 6000 萬個可調整的數字。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，取名 AlexNet（Alex 的網絡）。什麽是"眼睛" ，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，變成了"這個位置有沒有邊緣"的數字。是因為上一層的某個檢測器輸出偏了
那個檢測器偏了，即可訂閱。但如果我們告訴電腦"正確答案"呢？就像老師批改作業一樣。分別表示紅色、測量臉的立體形狀，一個管上下——就能找到圖片中任意方向的邊緣。隻用加減乘除，神經網絡的概念在 1940 年代就有了，GPU 訓練神經網絡比 CPU 快約 70 倍。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。神奇的事情發生了：那些原本隨機的數字，豎線、第二層找形狀，把那個數字調大一點
如果變大——反過來，"這是狗"。不過你可能注意過一個奇怪的事：在幾年前，人臉識別的學習過程完全一樣。動用了來自 167 個國家的近 5 萬名標注工人，最終的錯誤會變大還是變小？如果變小——好，有的變成了顏色變化檢測器。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。但疊加四五層之後，2009 年，數字越小越暗， GPU 原本是用來生成（渲染）遊戲畫麵的。一個現代的人臉識別模型可能有幾百萬到上億個參數。之所以叫這個名字，


                    
                        
                                                          
                                    上一篇為什麽說 IO 操作異步才有意義
                                
                        
                        
                                                          
                                    下一篇基於NetCorePal Cloud Framework的DDD架構管理係統實踐

從邊緣到形狀 ：AI 卡了幾十年

訂閱

核心突破：讓電腦自己學

一個新的問題

為什麽這個檢測器能工作？

一道簡單的數學題

第一個線索 ：邊緣

參考資料

回到手機人臉識別

電腦眼中的照片

疊加 ：從線條到人臉

訓練：電腦怎麽知道該往哪調？

為什麽 2012 年才成功？

為什麽說 IO 操作異步才有意義

基於NetCorePal Cloud Framework的DDD架構管理係統實踐

友情链接

從邊緣到形狀：AI 卡了幾十年

核心突破：讓電腦自己學

為什麽這個檢測器能工作？

第一個線索：邊緣

疊加：從線條到人臉

訓練：電腦怎麽知道該往哪調？

為什麽 2012 年才成功？