你一定還記得《流浪地球》中，
以冷靜理智賺足了觀眾眼球的人工智慧MOSS吧？
MOSS的一句「劉培強中校，請回到休眠倉休眠」開啟了整部影片人與人工智慧對抗的緊張氣氛。
雖然MOSS看起來很強大，擁有自主意識，但其實，MOSS這個強人工智慧也是首先基於人臉識別技術來進行決策的。
OSS在電影中的鏡頭
（圖片來源於網絡）
那人臉識別技術現在只出現在科幻當中嗎？當然不是。
歌神張學友的演唱會上，警方利用人臉識別技術抓逃犯共計55人。
歌神：「我為人臉識別技術代言，為自己鼓掌。」
唱會人臉識別安檢系統
（圖片來源於網絡）
這不禁激起了小編對人臉識別技術的崇拜，也讓小編不禁產生了想要了解人臉識別的好奇心。
於是，小編特意採訪了人工智慧方面的有關專家，寫下這篇科普文。
故事還要從人的大腦是如何進行人臉識別開始說起……
人的視覺系統工作原理
在了解人臉識別技術之前，首先我們需要知道人腦是如何進行人臉識別的。
眼睛的視網膜上密密麻麻的排列著大量視覺細胞，從瞳孔進來的光線被投射到這些細胞上，引起它們的興奮，這就是感受野（receptive filed）。感受野興奮值越大，表明感受到的光越亮。單個細胞的感知範圍是很小的，也就是說，它只能看到一丁點大的地方。但是所有細胞集合起來，就能感知到很大的範圍。下圖是人眼剖面圖:
人眼剖面圖
(圖片翻譯自Simple Anatomy of the Retina，2019 Webvision)
那麼視覺細胞產生的神經興奮是如何被傳到大腦中進行處理的呢？
拓展閱讀：視覺神經科學（Visual Neuroscience）對於視覺機理的研究驗證了動物大腦的視覺皮層具有分層結構。目前也已經證明，視覺皮層具有層次結構。從視網膜傳來的信號首先到達初級視覺皮層（primary visual cortex），即V1皮層。V1皮層簡單神經元對一些細節、特定方向的圖像信號敏感。V1皮層處理之後，將信號傳導到V2皮層。V2皮層將邊緣和輪廓信息表示成簡單形狀，然後由V4皮層中的神經元進行處理，它對顏色信息敏感。複雜物體最終在IT皮層（inferior temporal cortex）被表示出來。
神經網絡示意簡圖
（圖片翻譯自Principles of Neural Science）
通過上述拓展閱讀和圖片，我們可以發現大腦也是層級森嚴的。以行政體系來類比，一個「縣長」神經元負責從一批視覺細胞收集信號，然後若干個「縣長」神經元把自己的輸入進行總結，匯報給上級的「市長」神經元，再匯報給「省長」神經元。從「縣長」到「省長」，他們拿到的關於光的信息有著越來越大的範圍，一個「省長」神經元能看到更大的區域，因此可以做一些簡單抽象概念的判斷，比如是否發現了圓、線條等。信息就這麼逐級匯報到最終的高級皮層區域，裡面的神經元可以判斷眼睛是否看到了人臉，而這個人臉又有著什麼特徵。
人臉識別的工作原理
（一）在AI的眼中，表情包長什麼樣？
AI的眼睛其實是攝像頭。電子圖片是按照一個像素一個像素來存儲的。比如下面的圖片，大致是一個32x32的解析度。每一個小方格，都對應著3個數字，分別表示RGB（紅綠藍）三個顏色通道的亮度，數值範圍通常在0-255之間。當然如果是黑白圖片，就不需要三個顏色通道，而只用一個通道了。AI在做人臉識別的時候，第一眼看到的其實就是如下圖所示的「數字矩陣」。所以，在AI的眼中，表情包就是一串數字。
AI識別的表情包的數字矩陣
（圖片來源於網絡）
（二）AI怎麼模擬人類的神經元？
人類的神經元大體上長這樣：
人類神經元（樹突與軸突）
（圖片來源於維基百科）
神經元有兩個關鍵部位：
l 樹突（左邊）：很多很多短的小樹杈，用於接收信號。
l 軸突（右邊）：一根長長的樹杈，用於輸出信號。
通常，「市長」的樹突連著很多「縣長」的軸突，從它們那收集信號。而自己的軸突，連著自己匯報的「省長」的樹突，把處理過的信號傳遞上去。
整個過程從機理上看並不複雜，用一個簡單的數學模型就可以模擬，這個數學模型叫MP神經元，長的如下圖。
MP神經元數學模型
（圖片來源於學術論文，Warren McCulloch和Walter Pitts，1943）
我們試著解釋一下：左邊的每個「縣長」神經元報上來一個數字，乘以它對應的權重，加起來得到一個總數。當然，「市長」神經元要對這個總數進行某種處理，再匯報給「省長」。不過在一些學者的建模裡也允許把這個總數直接匯報給上級。所以，AI是用數學模型MP神經元來模擬人類神經元的。下表是生物神經元和MP神經元的對照。
生物神經元和MP神經元對照表
（三）人工神經元有什麼用？
有了一個模擬出來的人工神經元，會有什麼用呢？當然是複製很多很多份，然後按照一定的層次結構連起來，變成一個人工神經網絡。當我們連上幾千萬的神經元之後，就已經可以模擬人腦了。看下面的這個圖，只要神經元有特定的連接方式，就可以很好的模擬視覺皮層的人臉識別功能（小編偷偷告訴你：實際上，人工智慧領域每年發表的數以萬計的paper大部分是在提出新的連接結構，並絞盡腦汁用實驗證明自己的結構有用。）
人工神經網絡與人腦神經網絡的比對
（圖片翻譯自學術論文，Yamins D L K , Dicarlo J J .2016）
（四）人工神經網絡長得和機器人一樣嗎？
想知道一個簡單的神經網絡長什麼樣嗎？下圖就給大家展示一個。在這張圖中，每一個小圓圈是一個人工神經元，一層一層連起來。最後一層有輸出，也是一些數字。我們根據這些數字就可以判斷是不是人臉了（比如，輸出大於0，就認為檢測到了人臉）。如果想知道具體是誰的臉，就要更多的輸出神經元和一些特定的檢索技術，這裡就不展開了。
人工神經網絡
（圖片來源於學術論文，Shaker A, Ali A H, Hamed M, et al.2015）
其實上述就是當前被人們熟知和熱炒的人工智慧真正的長相。人工智慧並不是一個機器人，而是一種人工神經元連接方式，再用大量的計算機做數學計算，就能完成一個智能任務（人臉識別）。
其實小編和大家一樣，想通過了解這些技術細節來判斷現在有和MOSS一樣厲害的人工智慧出現嗎？其實MOSS基本可以判定為強人工智慧的範疇，現在的人工智慧還都只是弱人工智慧階段。強人工智慧涉及到哲學、生理學、機械學等多學科的開放問題，至今還沒有令人滿意的實質進展。所以看到這，你可以長長的舒口氣了。
此時小編突然想起MOSS在電影中的最後一句話：「讓人類永遠保持理智，確實是一種奢求」。
顫抖吧，人類……
參考文獻：
[1] Kandel, Eric R., James H. Schwartz, and Thomas M. Jessell. "25." Principles of Neural Science. 5th ed. New York: McGraw-Hill, Health Professions Division, 2013. 556-76. Print.
[2] Kandel, Eric R., James H. Schwartz, and Thomas M. Jessell. "27." Principles of Neural Science. 5th ed. New York: McGraw-Hill, Health Professions Division, 2013. 602-20. Print.
[3] Kolb H. Simple Anatomy of the Retina. 2005 May 1 [Updated 2012 Jan 31]. In: Kolb H, Fernandez E, Nelson R, editors. Webvision: The Organization of the Retina and Visual System [Internet]. Salt Lake City (UT): University of Utah Health Sciences Center; 1995
[4] 拓展閱讀來源於知乎文章：《卷積神經網絡為什麼能稱霸計算機視覺領域？ 》
[5] Shaker A, Ali A H, Hamed M, et al. ASSESSMENT OF ARTIFICIAL NEURAL NETWORK FOR BATHYMETRY ESTIMATION USING HIGH RESOLUTION SATELLITE IMAGERY IN SHALLOW LAKES: CASE STUDY EL BURULLUS LAKE[J]. 2015.
中國科學技術館展覽教育中心辛尤隆供稿