夜雨聆风每天早上，你拿起手机扫一眼屏幕，就能快速解锁，整个过程不到一秒。我们早已习惯这个操作，但你或许发现过一个有意思的现象：几年前戴上口罩，手机常常无法人脸识别解锁，可哪怕换了发型，它依旧能精准识别。这到底是为什么？
想要弄懂答案，我们先要搞清楚一个基础问题：手机的人脸识别，究竟是如何实现的？
答案源于一个很有意思的事实：在手机眼中，你看到的人脸照片，只是一堆数字。
电脑眼中的照片
想理解人脸识别，首先要明白：电脑“看到”的照片是什么样子。
一张照片由无数个像素组成。把照片不断放大，就能看到一个个小方块，这就是像素。一张1000×1000的照片，足足有100万个像素。
每个像素都有对应的颜色，而颜色在电脑里，全部用数字来表示。
黑白照片规则：纯黑=0，纯白=255，灰色介于1~254之间。数字越小画面越暗，数字越大画面越亮。
5×5像素示意图（电脑识别形态）：
0为黑色，200为亮色，整体呈现十字形状。电脑接收图像，本质就是读取这一串串数字。
彩色照片逻辑一致，每个像素由红、绿、蓝三组数字构成，数值范围同样是0-255。
当你用人脸解锁手机时，设备会读取数百万组数字，再通过运算判断：眼前是不是机主。
一堆数字如何识别人脸？我们从第一个核心线索——边缘说起。
第一个线索：边缘
边缘，就是画面中颜色突变的区域。人脸轮廓、眼瞳分界，都属于边缘，也是识别人脸的核心特征。
电脑不懂“人脸”“五官”，仅靠加减乘除就能找到边缘，下面用3×3像素区域演示：
待检测像素区域：
检测工具：Sobel 算子（垂直边缘模板）
计算规则：对应位置数字相乘，结果全部相加
(10×-1) + (10×0) + (10×1)
- (10×-2) + (10×0) + (200×2)
- (10×-1) + (200×0) + (200×1)
= 570
结果为正数，代表此处存在明显垂直边缘。
无边缘区域测试：
套用模板计算结果=0，代表无边缘。
整套模板会在整张图片逐格滑动，最终生成一张边缘地图，完成AI读图第一步。
Sobel算子原理拆解
模板结构：左负、右正、中间为0，计算本质=右侧亮度 - 左侧亮度
- 数值=0：左右亮度一致，无边缘
- 数值>0：右侧更亮，暗→亮边缘
- 数值<0：左侧更亮，亮→暗边缘
中间行系数更大，用来强化中心区域，提升检测稳定性。
该算子1968年诞生于斯坦福实验室，沿用至今。
水平边缘模板（旋转90°）
计算逻辑=下方亮度 - 上方亮度。两套模板搭配，可识别任意方向边缘。
从边缘到形状：AI停滞数十年的难题
单纯的线条边缘，无法让电脑识别“人脸”，这也是过去几十年图像识别的最大瓶颈。
早期方案：人工编写识别规则、定义五官特征。但人脸角度、表情、遮挡场景无穷无尽，人工规则永远无法覆盖全部情况，这条路逐渐走到尽头。
行业迎来转折点：放弃人工定义规则，让电脑自主学习。
核心突破：让电脑自主学习
把算子模板清空，填入随机数字。再给电脑投喂海量标注图片（例：区分猫/狗）：
1. 识别正确：保留现有数字
2. 识别错误：通过反向传播算法微调数字
重复数百万次迭代后，随机数字会自主进化成各类特征检测器：边缘、色彩、纹理……电脑没有被灌输任何规则，仅从数据和反馈中，自行总结规律，这就是AI学习的核心。
层层叠加：从线条到完整人脸
深度学习的“深度”，就是多层网络叠加，识别链路如下：
像素 → 边缘线条 → 基础形状 → 五官部件 → 完整人脸
每一层网络，都在上一层结果上识别更复杂的特征。这种多层计算结构，就是神经网络，层数极多的即为深度神经网络，也是当下AI技术的核心基础。
总结：AI不会像人类一样“看见”画面，它读取数字、层层运算、自主学习，最终完成识别。本系列后续继续拆解更多AI底层原理，记得持续关注~
