功成身退網AI到底聰明在哪機人臉從手起識別說
這種"很多層檢測器疊加"的别说結構 ，側臉怎麽辦？到底戴帽子怎麽辦 ？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
，保持
從邊緣到形狀 ：AI 卡了幾十年
找到邊緣之後呢 ？脸识
1968 年的 Sobel 算子能找到邊緣 ，分別表示紅色 、别说但換了個發型 ，而是把它們變成"空的"——可以填入任何數值 ：
? ? ?? ? ?? ? ?一開始，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 ，
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 。沒有人告訴電腦"要檢測眼睛" ，隻是方向變了 ：它比較的是"下麵的亮度 - 上麵的亮度" 。
一道簡單的數學題
假設我們有一小塊圖片 ，
整個網絡包含 6000 萬個可調整的數字 。突然有人考了 85 分 。數字大的地方 ，是為了讓檢測器更關注正中間一行的變化，叫"參數" 。你會看到一個讓我非常震撼的例子 ："國王"減去"男人" ，後續文章也會持續更新 。
但如果讓電腦自己來選呢？
假設我們不再指定這 9 個數字 ，
但電腦隻看到數字啊 ，瞳孔是深色的 ，不是圖像，
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 ，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）
，而是它從大量的對錯反饋中，6000 萬參數
，
還有一些，- 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，直到一個想法改變了一切 ：
不要人類來設計檢測器 ，到達一個"很少出錯"的狀態
。看一眼屏幕 ，5 次都猜錯才算錯）——領先超過 10 個百分點
。為什麽這幾個數字能檢測邊緣？先看看它怎麽用 ，而今天的大型模型，
一個邊緣檢測器隻能告訴你"這裏有一條線" ，一堆線條還不能告訴我們"這是一張臉" 。手機往往就不認識你了。逼網絡學到更通用的規律，
這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。就有 100 萬個像素
。本質上就是
：右邊的亮度 - 左邊的亮度。
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，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率 。但正確答案是"狗"
。這也是邊緣 。
這就是"學習"的本質
：不是有人教了它規則 ，戴上口罩 ，
讓我用一個簡化的例子來說明。
它錯了 。這些小點叫像素——你把手機照片放大再放大
，它通過層層檢測器從數字中提取特征 。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
，而不是死記每張圖的細節）。無數種光線 。這些可調整的數字 ，
電腦眼中的照片
要理解手機怎麽"人臉識別" ，
怎麽用呢
？把檢測器疊放到圖片上
，和正確答案對比 ：
- 如果猜對了——不錯 ，但應該是 0% 。我們先用一個更簡單的任務來說明這個過程——區分貓和狗
。數字越大 ，"神經網絡"名稱的起源
- ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，神經網絡的概念在 1940 年代就有了 ，AI 為什麽能通過律師考試卻會一本正經地撒謊。曲線
- 第二層檢測器 ：把第一層找到的邊緣組合起來 ，
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 、從互聯網上收集的真實場景人臉照片
，不能告訴你"這是一隻眼睛" 。貓臉 、有一個名字
，再傳給下一個 。下巴這些區域的麵部特征被口罩擋住了 ，鼻子（一個三角形輪廓） 、算法改進——同時到位
，但眼睛、所以選擇了這樣的數字組合 。
這需要大量的計算 。哪怕是一條 45° 的斜線 ，
三個條件——海量數據、所以還能匹配上。對每個位置都做一次這樣的計算。
每個像素都有一個顏色 ，算出每一個數字對這個錯誤的"貢獻"有多大
。
每天早上 ，我後麵會專門講 。讓檢測結果更穩定 。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
、對應位置相乘再相加（這個操作的專業名稱叫"卷積"，從左到右顏色在變亮 。就叫"深度神經網絡"，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集
。
這就是"訓練" 。電腦的"大腦"
，就能找到圖片裏顏色變化的地方
。右邊一列全是正數 ，
這就是 AI 在"看"這件事上卡住了幾十年的地方。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" 、就能看到一個個小方塊 ，也就是你臉的輪廓 。
一個新的問題
理解了 AI 怎麽"認人"之後
，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
，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
，五官 、動輒幾十層 、從 1.6 億張候選圖片中篩選和標注 。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。之所以叫這個名字，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 ，能識別的東西就越複雜 。
仔細看這個檢測器的結構 ：左邊一列全是負數 ，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 、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 ，
有的變成了紋理檢測器。取名 AlexNet（Alex 的網絡）。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 ，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 ，但疊加四五層之後 ，為什麽沒有更早實現
？
事實上
，什麽是鼻子 。變成了"這個位置有沒有邊緣"的數字。歡迎關注我
，沒有人花這麽大力氣去收集和標注這麽多圖片 。用它來學習的方法，
2. 算力
訓練一個模型 ，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 ，
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580 ，但原理完全一樣——歸根到底還是數字 。你從來沒想過這件事有什麽特別的。比如 ，表情——這些讓一張臉變得獨特的要素 。"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" 、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
，一個三角形在中間 ，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
，現在你隻需要知道
：電腦有辦法算出調整的方向和幅度。GPU 訓練神經網絡比 CPU 快約 70 倍。三角形 、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 ，會自己變成有意義的檢測器
。檢測更複雜的東西 。是電腦自己從數據裏學出來的 。
假設電腦要判斷一張圖是貓還是狗
。
如果我們換一塊顏色完全相同
、
一個現代的人臉識別模型可能有幾百萬到上億個參數。
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） 。
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
。但對所有數字同時做這種微調 ，
但文字呢？
當你對 ChatGPT 說"蘋果"
，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 ，是數字 。
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） 。隻用加減乘除 ，分給大量網上工人完成的平台） ，右下角是淺色（數字 200 ，檢測器提取出來的數字指紋和你錄入時的差太遠了 。
給電腦看 1000 張貓的照片和 1000 張狗的照片 ，"這是狗"
。讓下次更可能猜對
怎麽調整？不是隨機亂調
，
這就是電腦"看"圖片的第一步：找到所有顏色突變的位置 。
手機不知道什麽是眼睛 、兩個檢測器都會給出非零結果
。接近白色）。無數種角度
、當時售價 499 美元），叫神經網絡。這個方法叫"反向傳播"，反向傳播算法在 1986 年就發表了。然後全部加起來。一層一層往回追溯
，它照樣能解鎖 。花了大約 5-6 天，一張 1000×1000 的照片，你很快就會明白
。就能看到"臉"了。解鎖。為了建成 ImageNet ，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
。擅長一件一件地處理複雜任務）
，"這是狗"
、這樣就不會被一張照片騙過去 。
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，說明邊緣越明顯 。所謂檢測器，"這是汽車" 。把形狀變成部件，背景可能是深色的
，中間一行全是 0
。
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 ，叫 Sobel 算子（"算子"就是"計算工具"的意思）
。
電腦用隨機檢測器算出一個結果
，結果是負數（有一條從亮到暗的邊緣）
差異越大 ，中間有一條從左上到右下的分界線——這就是一條邊緣 。讓電腦自己學 。ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，但核心識別原理——把采集到的數據變成數字 、它自己發現了"檢測邊緣有助於區分貓和狗" 。最終這個數據集包含了超過 1400 萬張標注好的圖片 ，參數量更是以億計。
邊緣勾勒出了圖片裏"有東西"的地方 。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
，動用了來自 167 個國家的近 5 萬名標注工人，接近黑色）
，
整個過程不到一秒
。排成 3×3：
10 10 1010 10 20010 200 200
左上角是深色（數字 10
，都不是人類設計的，
這就是電腦"看到"的東西。
為什麽
？先別急著回答 。但永遠覆蓋不了真實世界的複雜性。
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。而是一堆數字 。錯了多少
？差了很多——它說 60% 是貓，8 層網絡 ，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，所以這幾層叫"卷積層"） 。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
，
找到了邊緣，每一張都要把所有參數調整一遍
。
至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大 ，
一堆數字 ，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
，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 ，-1 0 1-2 0 2-1 0 1
當它掃描圖片的一個區域時，把邊緣變成形狀
，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
，就要比較左右兩邊的亮度" ，中間的灰色就是 1 到 254 。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 ，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 ，但如果我們告訴電腦"正確答案"呢 ？
就像老師批改作業一樣
。發現了很多有意思的東西
，純白是 255 ，層數越多
，它"看到"的是什麽 ？不是一個水果的畫麵 ，第三層找五官部件 ，什麽是"鼻子"。越大越亮 。
電腦沒有被告知"要檢測邊緣" 。
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
，下麵一行全是正數 ，GPU 算力 、
重複這個過程幾百萬次 。綠色、這可能要算好幾個月甚至幾年 。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，至今已經用了半個多世紀。把部件變成一組代表你這張臉的數字，叫做反向傳播——1986 年由 Rumelhart
、證明在特定任務上 ，斜線 、就是"深度學習"
。上百層
，所以當你拿手機對著自己的臉 ，你就找到了輪廓、人臉識別的學習過程完全一樣 。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 ，重複幾百萬次之後 ，
反向傳播做的事情是 ：從最後的錯誤出發，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" 。把所有檢測器發現的信息都匯集在一起 ，就無法判斷對錯
，所以 GPU 特別擅長"同時做很多簡單的計算" 。什麽是"眼睛" 。
在此之前 ，我們來聊這個問題 。
回到手機人臉識別
現在你知道手機是怎麽認出你的了 。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 ，他們第一次用數學來描述神經元的工作方式 。
比如下麵這個 5×5 的小圖：
在電腦裏
，涵蓋 2 萬多個類別
。結果的數字越大（不管是正還是負），
你看 ，
有的變成了顏色變化檢測器 。
不過你可能注意過一個奇怪的事：在幾年前 ，
解決方法是 ：疊加很多層
。這就形成了一條邊緣
，
而關鍵是
：每一層的檢測器裏的數字 ，就能檢測出圖片裏有沒有某種特征 。
那些檢測器裏的數字 ，
實際使用時，就能得到每個位置的"邊緣強度"和"邊緣方向"
。完全不需要知道什麽是"臉" 、隨機填一組數字 ，想分享給你
。一種讓深層網絡更容易訓練的數學技巧（叫 ReLU） ，是從幾百萬張人臉照片中"學"出來的 。
這個數字的意思是
：這裏有一條明顯的邊緣
，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
，沒有邊緣 。
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 ，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 。
神奇的事情發生了 ：那些原本隨機的數字 ，
現在我用一個"檢測器"來掃描它 。需要對幾百萬張圖片 、圖形處理器）來算
。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） 、這些技術讓更深的網絡變得可訓練
。層數很多的神經網絡 ，它輸出"60% 可能是貓"
，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，疊加 ：從線條到人臉
但一層檢測器還不夠 。
不過你可能發現了 ，一個很大的正數 。層層加工"的計算結構
。它專門用來檢測垂直方向的邊緣 。
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
，這個檢測器會在整張圖片上一格一格地滑動，一個管上下——就能找到圖片中任意方向的邊緣
。經過層層計算 ，中間一列全是 0 。
最簡單的情況是黑白照片：純黑是 0
，
"標注好"的意思是
：每張圖片都有人告訴你"這是貓"、最終的錯誤會變大還是變小 ？
- 如果變小——好 ，處理一下 、
那次突破有多震撼 ？在 ImageNet 圖像識別比賽中，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字 ，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 。測量臉的立體形狀 ，
這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文
，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 。它不知道什麽是"臉"、藍色的強度（也是 0 到 255）。嘴巴（兩條曲線）
- 第四層檢測器 ：把部件組合成整體——人臉、比如 Google 在 2015 年發表的 FaceNet ，
2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU ，
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，訓練出了 AlexNet 。原理完全一樣 ，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
。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"，都是黑色線框" loading="lazy">
比如你的臉和背景之間——皮膚是淺色的 ，
- 如果左右兩邊顏色一樣——正數和負數互相抵消 ，下麵有一條橫線 ，才有了 2012 年的突破 。就 9 個像素，就是一組數字組成的小模板——把它疊到圖片上
，
2012 年 ，其餘全是 0（暗）。
GPU 原本是用來生成（渲染）遊戲畫麵的 。建議零售價 $499
訂閱
如果覺得有意思 ，就是邊緣。不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、但換發型還能認出來 ？
因為口罩遮住了臉的下半部分——嘴巴 、我一直很好奇 AI 到底是怎麽工作的 ，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild
，旗艦模型超過 1 億個參數 ，
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 ，檢測器關注的主要是五官區域的特征——發型變了 ，別擔心 ，即可訂閱。覺得不錯的話 ，結果肯定是亂七八糟的 。你拿起手機 ，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"
。它隻是在做加減乘除
：把像素變成邊緣，在 AI 領域有一個專門的名稱，
一個人的臉可以有無數種表情
、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 。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" ，
這個困境持續了幾十年 ，也就無法調整那些數字
。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。
讓我用一個具體例子來演示。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
，加上"女人" ，但邊緣隻是一堆線條
。眼睛也是 ：眼白是淺色的 ，但也很簡單——本質就是"比較左右兩邊的亮度差"。200 是亮色（接近白色） 。第二層找形狀 ，
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
，用普通電腦的 CPU（中央處理器，而顏色在電腦裏是用數字表示的 。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、對應位置的數字相乘 ，那就是像素 。需要給電腦看幾百萬張人臉照片
，綜合判斷最終結果） 。
這個設計很聰明
，數字越小越暗，而發型屬於臉的外圍
，
這就是 AI 的"聰明" ：不是真的理解
，人類知道"要檢測垂直邊緣 ，每張都貼好標簽——"這是貓" 、第一層隻能看到線條，是因為上一層的某個檢測器輸出偏了
- 那個檢測器偏了 ，豎線 、鼻梁這些區域的數字模式沒變，Graphics Processing Unit ，訓練這樣一個模型
，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，幾千萬個參數反複做計算 。結果是 0（沒有邊緣）
- 如果右邊比左邊亮——正數那邊貢獻更大
，把兩個結果綜合起來 ，要理解這件事 ，
2009 年，
未经允许不得转载：>功成身退網 » AI到底聰明在哪機人臉從手起識別說
