在哪識別說AI到底聰明從手機人臉起
- 如果上下顏色一樣——結果是脸识 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 ，
比如下麵這個 5×5 的别说小圖 ：
在電腦裏 ，
有的到底變成了顏色變化檢測器
。花了大約 5-6 天 ，聪明从手
重複這個過程幾百萬次 。机人斯坦福的脸识吳恩達（Andrew Ng）團隊就發表了一篇論文 ，之所以叫這個名字 ，别说接近黑色） ，到底把那個數字調大一點
讓我把完整的脸识過程串起來：
- 采集麵部數據
：手機用攝像頭和傳感器采集你的麵部信息 ，第二層找形狀
，别说它自己在反複的"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
。中間有一條從左上到右下的分界線——這就是一條邊緣
。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 ，那就是像素 。他們第一次用數學來描述神經元的工作方式 。下巴這些區域的麵部特征被口罩擋住了 ，對應位置相乘再相加（這個操作的專業名稱叫"卷積" ，
假設電腦要判斷一張圖是貓還是狗 。嘴巴（兩條曲線）
- 第四層檢測器 ：把部件組合成整體——人臉 、
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。6000 萬參數，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
，
這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。背景可能是深色的 ，電腦的"大腦" ，識別簡單形狀——圓形 、再傳給下一個 。用普通電腦的 CPU（中央處理器 ，
2. 算力
訓練一個模型 ，
五官 、層數很多的神經網絡 ，你會看到一個讓我非常震撼的例子 ："國王"減去"男人" ，而是把它們變成"空的"——可以填入任何數值 ：
? ? ?? ? ?? ? ?一開始 ，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 ，隨機填一組數字，眼睛也是 ：眼白是淺色的 ，其餘全是 0（暗）。
這個設計很聰明 ，測量臉的立體形狀，
這是 「AI是怎麽回事」係列的第
1篇 。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 ，
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 、
讓我用一個簡化的例子來說明 。純白是 255，每張都貼好標簽——"這是貓" 、你很快就會明白。排成 3×3 ：
10 10 1010 10 20010 200 200左上角是深色（數字 10 ，數字越大 ，是電腦自己從數據裏學出來的 。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） 、
這就是"訓練"。想分享給你。分別表示紅色 、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。至今已經用了半個多世紀 。最終的錯誤會變大還是變小 ？
- 如果變小——好 ，當時售價 499 美元） ，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU） ，重複幾百萬次之後 ，沒有邊緣 。判斷"這是不是主人的臉" 。歡迎關注我 ，處理一下 、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" ，瞳孔是深色的 ，GPU 訓練神經網絡比 CPU 快約 70 倍 。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 ，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
，
這就是 AI 在"看"這件事上卡住了幾十年的地方。
但如果讓電腦自己來選呢 ？
假設我們不再指定這 9 個數字 ，本質上就是 ：右邊的亮度 - 左邊的亮度 。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 ，所以選擇了這樣的數字組合 。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，經過層層計算 ，三角形 、一張 1000×1000 的照片 ，
- 如果左右兩邊顏色一樣——正數和負數互相抵消 ，但疊加四五層之後，
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 Google 在 2015 年發表的 FaceNet，這個檢測器會在整張圖片上一格一格地滑動，別擔心 ，涵蓋 2 萬多個類別 。現在你隻需要知道 ：電腦有辦法算出調整的方向和幅度 。每一張都要把所有參數調整一遍 。原理完全一樣 ，我們先用一個更簡單的任務來說明這個過程——區分貓和狗 。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。
但文字呢 ？
當你對 ChatGPT 說"蘋果" ，
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）。就叫"深度神經網絡" ，到達一個"很少出錯"的狀態 。
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） 。擅長一件一件地處理複雜任務），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 ，一個三角形在中間 ，把邊緣變成形狀 ，
回到手機人臉識別
現在你知道手機是怎麽認出你的了 。它有 8 層 。為什麽沒有更早實現？
事實上，說明邊緣越明顯 。是數字。為什麽這幾個數字能檢測邊緣？先看看它怎麽用，
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 ，下麵一行全是正數 ，
但電腦隻看到數字啊 ，把形狀變成部件 ，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 。
不過你可能注意過一個奇怪的事 ：在幾年前 ，
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 ，把所有檢測器發現的信息都匯集在一起 ，但對所有數字同時做這種微調，而發型屬於臉的外圍 ，
這需要大量的計算 。叫神經網絡 。什麽是"眼睛" 。
這個困境持續了幾十年 ，結果是負數（有一條從亮到暗的邊緣）
差異越大，算出每一個數字對這個錯誤的"貢獻"有多大 。而是它從大量的對錯反饋中 ，
而關鍵是 ：每一層的檢測器裏的數字 ，這個係列就是我的探索筆記，
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 ，
一個邊緣檢測器隻能告訴你"這裏有一條線" ，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 ，
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 ，表情——這些讓一張臉變得獨特的要素 。如果我們換一塊顏色完全相同 、都是黑色線框" loading="lazy">
比如你的臉和背景之間——皮膚是淺色的 ，
電腦用隨機檢測器算出一個結果，對每個位置都做一次這樣的計算 。
那次突破有多震撼？在 ImageNet 圖像識別比賽中 ，中間的灰色就是 1 到 254 。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊 、
給電腦看 1000 張貓的照片和 1000 張狗的照片 ，中間一行全是 0 。這可能要算好幾個月甚至幾年 。
不過你可能發現了 ，但永遠覆蓋不了真實世界的複雜性 。但換了個發型 ，讓檢測結果更穩定 。
一個現代的人臉識別模型可能有幾百萬到上億個參數 。
有的變成了紋理檢測器。整個過程不到一秒 。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 ，200 是亮色（接近白色）。這也是邊緣 。從 1.6 億張候選圖片中篩選和標注。AI 為什麽能通過律師考試卻會一本正經地撒謊 。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） ，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。你從來沒想過這件事有什麽特別的 。無數種角度、是因為上一層的某個檢測器輸出偏了
- 如果左右兩邊顏色一樣——正數和負數互相抵消 ，但疊加四五層之後，
- 那個檢測器偏了
，
這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，
最簡單的情況是黑白照片 ：純黑是 0 ，比如 ，取名 AlexNet（Alex 的網絡） 。叫"參數" 。把兩個結果綜合起來 ，旗艦模型超過 1 億個參數 ，覺得不錯的話 ，
每天早上 ，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 ，叫做反向傳播——1986 年由 Rumelhart 、層層提取特征——和我們前麵講的完全一樣）
- 第一層檢測器
：從原始像素中找到各種邊緣——橫線 、
- 層層檢測 ：這些數字經過很多層檢測器——第一層找邊緣 ，
3. 算法
AlexNet 還用了幾個關鍵的技術改進 。讓下次更可能猜對
- 有人試著寫規則："如果有兩個圓形在上麵
，即可訂閱。就要比較左右兩邊的亮度"
，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，
2009 年，
所以當你拿手機對著自己的臉 ，是從幾百萬張人臉照片中"學"出來的 。
這就是"學習"的本質 ：不是有人教了它規則，哪怕是一條 45° 的斜線 ，什麽是鼻子 。證明在特定任務上，無數種光線。它隻是在做加減乘除 ：把像素變成邊緣 ，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 ，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 ，檢測器關注的主要是五官區域的特征——發型變了 ，自己找到了有用的規律 。8 層網絡 ，就 9 個像素 ，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。綜合判斷最終結果） 。為什麽 ？
先別急著回答。
那些檢測器裏的數字 ，分給大量網上工人完成的平台） ，算法改進——同時到位，從互聯網上收集的真實場景人臉照片，層層加工"的計算結構 。
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 ，"測量鼻子的位置"
怎麽調整 ？不是隨機亂調 ，所以這幾層叫"卷積層"） 。
科學家們嚐試了很多方法 ：
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" 、GPU 算力 、
這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置。這就形成了一條邊緣 ，
邊緣勾勒出了圖片裏"有東西"的地方 。"這是狗"。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 ，一堆線條還不能告訴我們"這是一張臉"。
但如果我們告訴電腦"正確答案"呢 ？
就像老師批改作業一樣 。突然有人考了 85 分 。
神奇的事情發生了 ：那些原本隨機的數字，
GPU 原本是用來生成（渲染）遊戲畫麵的 。需要給電腦看幾百萬張人臉照片，就能得到每個位置的"邊緣強度"和"邊緣方向" 。但原理完全一樣——歸根到底還是數字 。
一個人的臉可以有無數種表情 、右邊一列全是正數 ，
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 。
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 。是為了讓檢測器更關注正中間一行的變化，
2012 年，
整個網絡包含 6000 萬個可調整的數字。斜線 、貓臉、第三層找五官部件 ，反向傳播算法在 1986 年就發表了 。而今天的大型模型 ，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 ，就無法判斷對錯 ，鼻梁這些區域的數字模式沒變，戴上口罩 ，後續文章也會持續更新。
你看 ，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 ，隻是方向變了 ：它比較的是"下麵的亮度 - 上麵的亮度" 。沒有人花這麽大力氣去收集和標注這麽多圖片 。
還有一些 ，隻用加減乘除
，
它錯了。藍色的強度（也是 0 到 255）。加上"女人" ，看一眼屏幕 ，有一個名字 ，它"看到"的是什麽 ？不是一個水果的畫麵，建議零售價 $499
訂閱
如果覺得有意思 ，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，就能檢測出圖片裏有沒有某種特征。結果是正數（有一條從暗到亮的邊緣）
讓我用一個具體例子來演示 。
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 ，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 ，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，
實際使用時，手機往往就不認識你了 。從左到右顏色在變亮 。
每個像素都有一個顏色 ，而不是死記每張圖的細節）。結果的數字越大（不管是正還是負） ，"這是汽車"。
怎麽用呢 ？把檢測器疊放到圖片上 ，能識別的東西就越複雜 。這些"正確答案"是電腦學習的前提——沒有答案
，但正確答案是"狗"。所謂檢測器 ，49000 名標注工人來自 167 個國家
2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU ，檢測更複雜的東西
。要理解這件事
，就能找到圖片裏顏色變化的地方 。保持
不要人類來設計檢測器 ，訓練出了 AlexNet 。
這個數字的意思是 ：這裏有一條明顯的邊緣 ，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞 、
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580 ，動用了來自 167 個國家的近 5 萬名標注工人 ，
這就是 AI 的"聰明" ：不是真的理解 ，然後比較兩組數字有多接近 。中間一列全是 0 。接近白色）。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 。
仔細看這個檢測器的結構 ：左邊一列全是負數，就能看到"臉"了 。下麵有一條橫線 ，完全不需要知道什麽是"臉" 、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 ，我後麵會專門講 。LFW 準確率 99.63%
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 。你拿起手機 ，
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 ，數字大的地方 ，動輒幾十層 、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" 。
-1 0 1-2 0 2-1 0 1當它掃描圖片的一個區域時，兩個檢測器都會給出非零結果 。
這就是電腦"看到"的東西 。但也很簡單——本質就是"比較左右兩邊的亮度差" 。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字 ，什麽是"鼻子" 。我一直很好奇 AI 到底是怎麽工作的，
這種"很多層檢測器疊加"的結構 ，為了建成 ImageNet ，層數越多 ，在 AI 領域有一個專門的名稱 ，所以還能匹配上 。5 次都猜錯才算錯）——領先超過 10 個百分點。和正確答案對比 ：
- 如果猜對了——不錯 ，
彩色照片稍微複雜一點 ：每個像素需要三個數字 ，就有 100 萬個像素 。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、
一道簡單的數學題
假設我們有一小塊圖片 ，這樣就不會被一張照片騙過去 。這些技術讓更深的網絡變得可訓練 。歡迎分享+關注 。你就找到了輪廓 、變成了"這個位置有沒有邊緣"的數字 。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" ，
"標注好"的意思是 ：每張圖片都有人告訴你"這是貓" 、就能看到一個個小方塊 ，曲線
- 第二層檢測器 ：把第一層找到的邊緣組合起來 ，
在此之前 ，一層一層往回追溯 ，豎線 、會自己變成有意義的檢測器 。對應位置的數字相乘 ，
一個新的問題
理解了 AI 怎麽"認人"之後，所以 GPU 特別擅長"同時做很多簡單的計算" 。那些數字就會逐漸穩定下來 ，鼻子（一個三角形輪廓） 、最終這個數據集包含了超過 1400 萬張標注好的圖片 ，第一層隻能看到線條，它專門用來檢測垂直方向的邊緣 。
三個條件——海量數據 、但邊緣隻是一堆線條。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" 。但應該是 0% 。
至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大 ，這些可調整的數字 ，
反向傳播做的事情是 ：從最後的錯誤出發 ，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 、把那個數字調小一點
每次調整的幅度都很小（比如 0.001） ，也會同時在左右和上下兩個方向上產生亮度差 ，錯了多少？差了很多——它說 60% 是貓，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 。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 ，人類知道"要檢測垂直邊緣，上百層，右下角是淺色（數字 200 ，
一堆數字 ，
電腦沒有被告知"要檢測邊緣" 。那可能是一張臉"
因為口罩遮住了臉的下半部分——嘴巴 、也就是你臉的輪廓 。
疊加 ：從線條到人臉
但一層檢測器還不夠 。"神經網絡"名稱的起源
現在我用一個"檢測器"來掃描它 。也就無法調整那些數字 。用它來學習的方法 ，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 ，神經網絡的概念在 1940 年代就有了 ，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，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 ，需要對幾百萬張圖片 、
手機不知道什麽是眼睛 、它自己發現了"檢測邊緣有助於區分貓和狗" 。但核心識別原理——把采集到的數據變成數字 、打個比方 ：所有人都在 74 分左右競爭 ，
解決方法是：疊加很多層 。數字越小越暗 ，綠色 、
電腦眼中的照片
要理解手機怎麽"人臉識別" ，訓練這樣一個模型 ，都不是人類設計的 ，它不知道什麽是"臉"、AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域 。不是圖像，檢測器提取出來的數字指紋和你錄入時的差太遠了 。人臉識別的學習過程完全一樣 。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 ，它通過層層檢測器從數字中提取特征。