功成身退網AI到底聰明在哪機人臉從手起識別說
這就是聪明从手"學習"的本質 ：不是有人教了它規則，訓練出了 AlexNet 。机人下麵一行全是脸识正數 ，李飛飛團隊通過亞馬遜的别说眾包平台（一種把任務拆成小塊、變成幾百萬個數字（說明一下 ：現代手機的到底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，所以選擇了這樣的聪明从手數字組合 。什麽是机人"眼睛" ，不是脸识咬一口的味道——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 ，結果是别说負數（有一條從亮到暗的邊緣）
差異越大 ，
整個網絡包含 6000 萬個可調整的到底數字 。如果邊緣是聪明从手水平的（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机人這種活——對幾百萬個數字做大量簡單的乘法和加法 。就是脸识一組數字組成的小模板——把它疊到圖片上 ，"這是别说狗"。涵蓋 2 萬多個類別 。判斷"這是不是主人的臉" 。層數很多的神經網絡，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 。檢測器提取出來的數字指紋和你錄入時的差太遠了 。第二層找形狀 ，動輒幾十層 、
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 ，眼睛也是 ：眼白是淺色的，算法改進——同時到位 ，瞳孔是深色的，
那次突破有多震撼 ？在 ImageNet 圖像識別比賽中，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" 。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 ，但眼睛 、超過 1400 萬張標注圖片
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 ，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 ，純白是 255，它照樣能解鎖。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，訓練這樣一個模型 ，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。結果的數字越大（不管是正還是負） ，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 ，
一個現代的人臉識別模型可能有幾百萬到上億個參數 。為什麽沒有更早實現 ？
事實上，
仔細看這個檢測器的結構
：左邊一列全是負數
，就 9 個像素，別擔心 ，保持
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 。把邊緣變成形狀 ，而發型屬於臉的外圍 ，它不知道什麽是"臉"、完全不需要知道什麽是"臉" 、
回到手機人臉識別
現在你知道手機是怎麽認出你的了 。
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 ，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率
。是電腦自己從數據裏學出來的 。你就找到了輪廓
、它"看到"的是什麽 ？不是一個水果的畫麵 ，其餘全是 0（暗）。
每天早上
，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文 ，200 是亮色（接近白色） 。豎線、沒有邊緣 。把那個數字調大一點如果變大——反過來
，綜合判斷最終結果）。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
，
這個數字的意思是 ：這裏有一條明顯的邊緣 ，也就無法調整那些數字 。即可訂閱 。把兩個結果綜合起來 ，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字 ，
至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大 ，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 ，
2009 年 ，而今天的大型模型
，幾千萬個參數反複做計算。就能看到一個個小方塊
，本質上就是 ：右邊的亮度 - 左邊的亮度
。需要對幾百萬張圖片 、
這就是電腦"看"圖片的第一步
：找到所有顏色突變的位置 。
反向傳播做的事情是
：從最後的錯誤出發
，我們先用一個更簡單的任務來說明這個過程——區分貓和狗。而是一堆數字
。
電腦眼中的照片
要理解手機怎麽"人臉識別" ，
假設電腦要判斷一張圖是貓還是狗。戴上口罩 ，
2012 年 ，下麵有一條橫線 ，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，我一直很好奇 AI 到底是怎麽工作的 ，
解決方法是 ：疊加很多層 。
有的變成了顏色變化檢測器 。錯了多少
？差了很多——它說 60% 是貓 ，結果肯定是亂七八糟的。這個係列就是我的探索筆記 ，需要給電腦看幾百萬張人臉照片，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
，最終這個數據集包含了超過 1400 萬張標注好的圖片
，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 、
比如 Google 在 2015 年發表的 FaceNet ，自己找到了有用的規律
。神奇的事情發生了
：那些原本隨機的數字，無數種光線 。"這是汽車"
。
這就是"訓練"。
這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文 ，所以還能匹配上。下巴這些區域的麵部特征被口罩擋住了 ，加上"女人" ，打個比方 ：所有人都在 74 分左右競爭，用它來學習的方法
，
"標注好"的意思是：每張圖片都有人告訴你"這是貓" 、5 次都猜錯才算錯）——領先超過 10 個百分點 。鼻子（一個三角形輪廓）、"這是狗" 、解鎖
。
而關鍵是 ：每一層的檢測器裏的數字 ，那就是像素 。
但如果讓電腦自己來選呢 ？
假設我們不再指定這 9 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
，
電腦用隨機檢測器算出一個結果 ，
一道簡單的數學題
假設我們有一小塊圖片 ，嘴巴（兩條曲線）
- 第四層檢測器：把部件組合成整體——人臉 、這個檢測器會在整張圖片上一格一格地滑動 ，就無法判斷對錯 ，你會看到一個讓我非常震撼的例子："國王"減去"男人"
，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"
。越大越亮 。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，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、而顏色在電腦裏是用數字表示的。原理完全一樣 ，它輸出"60% 可能是貓"
，就能找到圖片裏顏色變化的地方 。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 ，把那個數字調小一點 每次調整的幅度都很小（比如 0.001），這些可調整的數字
，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 ，
三個條件——海量數據、讓檢測結果更穩定 。每張都貼好標簽——"這是貓" 、什麽是"鼻子"
。"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" 、和正確答案對比 ：
- 如果猜對了——不錯，最終的錯誤會變大還是變小
？
- 如果變小——好，它通過層層檢測器從數字中提取特征。就是邊緣 。
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 ，
這需要大量的計算。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，但換發型還能認出來
？
因為口罩遮住了臉的下半部分——嘴巴 、不是圖像 ，就要比較左右兩邊的亮度"
，
但如果我們告訴電腦"正確答案"呢 ？
就像老師批改作業一樣 。要理解這件事
，所謂檢測器 ，
你看 ，識別簡單形狀——圓形 、分給大量網上工人完成的平台），是數字 。一張 1000×1000 的照片 ，但應該是 0%
。神經網絡的概念在 1940 年代就有了 ，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 ，後續文章也會持續更新 。綠色 、至今已經用了半個多世紀。數字越小越暗，分別表示紅色 、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），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 ，排成 3×3：
10 10 1010 10 20010 200 200
左上角是深色（數字 10 ，AI 為什麽能通過律師考試卻會一本正經地撒謊
。看一眼屏幕，背景可能是深色的 ，上百層
，
但文字呢？
當你對 ChatGPT 說"蘋果" ，變成了"這個位置有沒有邊緣"的數字 。然後全部加起來 。
這種"很多層檢測器疊加"的結構
，是因為上一層的某個檢測器輸出偏了
- 那個檢測器偏了
，隻是方向變了 ：它比較的是"下麵的亮度 - 上麵的亮度" 。
2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU
，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 。一堆線條還不能告訴我們"這是一張臉" 。直到一個想法改變了一切 ：
不要人類來設計檢測器 ，一個三角形在中間
，發現了很多有意思的東西，所以這幾層叫"卷積層"） 。把形狀變成部件 ，
邊緣勾勒出了圖片裏"有東西"的地方 。我後麵會專門講 。
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） 。
這個困境持續了幾十年
，在 AI 領域有一個專門的名稱，中間有一條從左上到右下的分界線——這就是一條邊緣 。
疊加 ：從線條到人臉
但一層檢測器還不夠
。動用了來自 167 個國家的近 5 萬名標注工人 ，
不過你可能注意過一個奇怪的事：在幾年前，什麽是"眼睛" 。
電腦沒有被告知"要檢測邊緣"。一層一層往回追溯 ，GPU 訓練神經網絡比 CPU 快約 70 倍 。現在你隻需要知道 ：電腦有辦法算出調整的方向和幅度
。
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 ，我們來聊這個問題
。歡迎關注我
，然後比較兩組數字有多接近
。把所有檢測器發現的信息都匯集在一起 ，
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580
，8 層網絡
，
還有一些，
這是 「AI是怎麽回事」係列的第 1篇。電腦的"大腦" ，貓臉 、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） 、建議零售價 $499
訂閱
如果覺得有意思，所以 GPU 特別擅長"同時做很多簡單的計算" 。藍色的強度（也是 0 到 255） 。第三層找五官部件
，算出每一個數字對這個錯誤的"貢獻"有多大
。它隻是在做加減乘除
：把像素變成邊緣，它專門用來檢測垂直方向的邊緣
。
現在我用一個"檢測器"來掃描它。
它錯了 。它自己發現了"檢測邊緣有助於區分貓和狗" 。一個很大的正數。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域 。
如果我們換一塊顏色完全相同 、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
。就叫"深度神經網絡" ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽
，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
，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 ，
那些檢測器裏的數字
，
- 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 ，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" 、
比如下麵這個 5×5 的小圖 ：
在電腦裏 ，處理一下 、對應位置相乘再相加（這個操作的專業名稱叫"卷積"
，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
。再傳給下一個 。
這就是 AI 的"聰明"
：不是真的理解 ，右邊一列全是正數 ，
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 ，
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
。中間一列全是 0 。
有的變成了紋理檢測器 。檢測器關注的主要是五官區域的特征——發型變了
，
這就是電腦"看到"的東西。逼網絡學到更通用的規律 ，中間一行全是 0。叫做反向傳播——1986 年由 Rumelhart、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
，檢測更複雜的東西 。但也很簡單——本質就是"比較左右兩邊的亮度差"
。旗艦模型超過 1 億個參數
，這些技術讓更深的網絡變得可訓練 。突然有人考了 85 分
。
手機不知道什麽是眼睛 、
這個設計很聰明 ，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"，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 ，這些"正確答案"是電腦學習的前提——沒有答案 ，層數越多，是從幾百萬張人臉照片中"學"出來的 。但疊加四五層之後
，
- 如果左右兩邊顏色一樣——正數和負數互相抵消 ，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，這就形成了一條邊緣 ，
不過你可能發現了，
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 ，
怎麽用呢 ？把檢測器疊放到圖片上，數字越大
，
每個像素都有一個顏色 ，你拿起手機，
一個邊緣檢測器隻能告訴你"這裏有一條線" ，重複幾百萬次之後 ，
3. 算法
AlexNet 還用了幾個關鍵的技術改進 。這個方法叫"反向傳播"，就能檢測出圖片裏有沒有某種特征 。手機往往就不認識你了 。這也是邊緣
。
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
。把部件變成一組代表你這張臉的數字 ，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 ，經過層層計算
，就能看到"臉"了 。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
。花了大約 5-6 天 ，
GPU 原本是用來生成（渲染）遊戲畫麵的 。這可能要算好幾個月甚至幾年 。但原理完全一樣——歸根到底還是數字 。從左到右顏色在變亮。就能得到每個位置的"邊緣強度"和"邊緣方向"。參數量更是以億計
。而是把它們變成"空的"——可以填入任何數值 ：
? ? ?? ? ?? ? ?
一開始 ，到達一個"很少出錯"的狀態 。五官 、證明在特定任務上 ，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 ，說明邊緣越明顯 。他們第一次用數學來描述神經元的工作方式 。對每個位置都做一次這樣的計算 。叫 Sobel 算子（"算子"就是"計算工具"的意思） 。無數種角度 、這些小點叫像素——你把手機照片放大再放大，
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 ，覺得不錯的話 ，LFW 準確率 99.63%
這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。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 、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 ，斜線 、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 ，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 ，是為了讓檢測器更關注正中間一行的變化 ，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，才有了 2012 年的突破。
整個過程不到一秒 。會自己變成有意義的檢測器 。隨機填一組數字 ，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU） ，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"。
2. 算力
訓練一個模型 ，隻用加減乘除 ，6000 萬參數 ，叫神經網絡 。有一個名字 ，也會同時在左右和上下兩個方向上產生亮度差 ，但邊緣隻是一堆線條 。每一張都要把所有參數調整一遍 。當時售價 499 美元） ，一個管上下——就能找到圖片中任意方向的邊緣 。中間的灰色就是 1 到 254 。你很快就會明白 。
讓我用一個簡化的例子來說明 。
在此之前，Graphics Processing Unit ，結果是 0（沒有邊緣）
最簡單的情況是黑白照片 ：純黑是 0 ，
但電腦隻看到數字啊，比如，第一層隻能看到線條 ，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、
實際使用時 ，鼻梁這些區域的數字模式沒變 ，但正確答案是"狗" 。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。接近白色） 。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" ，而不是死記每張圖的細節）。但換了個發型 ，接近黑色） ，
所以當你拿手機對著自己的臉 ，
彩色照片稍微複雜一點：每個像素需要三個數字 ，數字大的地方，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 。沒有人花這麽大力氣去收集和標注這麽多圖片 。
給電腦看 1000 張貓的照片和 1000 張狗的照片，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 ，
-1 0 1-2 0 2-1 0 1當它掃描圖片的一個區域時 ，GPU 算力 、兩個檢測器都會給出非零結果 。
這就是 AI 在"看"這件事上卡住了幾十年的地方 。它有 8 層。測量臉的立體形狀，但對所有數字同時做這種微調 ，三角形 、為了建成 ImageNet ，那些數字就會逐漸穩定下來，人類知道"要檢測垂直邊緣，擅長一件一件地處理複雜任務），
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）。都不是人類設計的 ，叫"參數" 。圖形處理器）來算。
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 ，
讓我用一個具體例子來演示 。也就是你臉的輪廓 。哪怕是一條 45° 的斜線 ，
一堆數字 ，層層加工"的計算結構。表情——這些讓一張臉變得獨特的要素 。
一個新的問題
理解了 AI 怎麽"認人"之後，都是黑色線框" loading="lazy">
比如你的臉和背景之間——皮膚是淺色的 ，為什麽 ？
先別急著回答。而是它從大量的對錯反饋中 ，沒有人告訴電腦"要檢測眼睛" ，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 。
怎麽調整 ？不是隨機亂調 ，從 1.6 億張候選圖片中篩選和標注 。就有 100 萬個像素 。想分享給你 。
一個人的臉可以有無數種表情 、取名 AlexNet（Alex 的網絡）。讓電腦自己學 。
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
