《人工智能AI之计算机视觉：从像素到智能》 · 模块四：工程与应用——从模型到产品的跨越（实践指导） · 第 15 篇
你好，我是你的老朋友。
咱们先唠个两块钱的。
你有没有遇到过这种尴尬时刻？大清早赶着去公司打卡，站在闸机前，那个人脸识别屏幕“滴”的一声——“验证失败”。你把口罩拉下来，头发理一理，眼睛瞪得像铜铃，它还是在那儿转圈圈，死活不给你开门。后面排队的同事开始看手机，你感觉背上的汗都下来了。 或者，你在手机银行转账，到了刷脸验证这一步，它让你摇头、张嘴、眨眼，折腾半天告诉你“光线过暗，请重试”。那一刻，你是不是特别想把产品经理拉出来聊聊人生？
说实话，我在银行和保险行业的IT项目里泡了30多年，这种因“刷脸”引发的投诉，听得耳朵都起茧子了。很多时候，业务方会气冲冲地跑来找我：“老马，这系统是不是坏了？明明是张三本人，怎么就认成李四了？是不是模型精度不行？”
这时候，我通常会先安抚他们，然后说一句可能会颠覆他们认知的话： “其实，机器压根就不认识谁是张三，谁是李四。它只是在算一道几何题：这两张脸在数学空间里的‘距离’，到底有多远。”
今天，咱们就来扒一扒人脸识别这层神秘的面纱。我不打算给你堆一堆卷积公式，咱们就聊聊它是怎么从早期“拼图式”的DeepID，进化到如今“玩空间”的FaceNet的。读完这篇，你会明白，为什么人脸识别的本质，不是“认人”，而是“量脸”。
一、 破除直觉误区：人脸识别不是“选择题”，而是“测量题”
咱们先得把一个最大的认知盲区给填上。
你平时可能觉得，教AI认人，跟教它认猫认狗差不多嘛： 给它看一万张张三的照片，告诉它“这是张三”；再看一万张李四的，告诉它“这是李四”。下次来张新照片，它分类一下就行了。
错。大错特错。 如果你用这种“分类”的思路去做人脸识别系统，你的项目基本离黄不远了。 为什么？原因有两个：
