从1：1到1：N

　　难度指数级增加

　　深度学习

　　机动算法

　　0失误

　　0时差

　　刚刚跟我打招呼的那个人是谁？好眼熟的样子……

　　这样的尴尬大概每个人都遇到过，也许王昱珩（《最强大脑》节目中图像、人脸等识别项目的优胜选手）很少遇到脸盲症的困扰——不过就算是王昱珩，也已经完败于百度人工智能的人脸识别能力。要知道，相比人类与生俱来的视觉能力，机器完全就是睁眼瞎，即使能够用镜头来看世界，相比有效图像数据量相当于5.76亿像素的人眼，机器镜头的视力实在可怜。更何况，人类的视觉认知，最牛X的地方在于大脑的图像处理能力，狭义上的视力，只能更有助于提升识别、处理能力而已。

　　但机器还是在识别能力上超越了人类。虽然人工智能还远远没有到拥有自主意识的终极阶段（到那时候我们讨论的重点是道德观、机器是否拥有“人权”，而非现在的AI技术了），但机器已经拥有了“看到你”和“认识你”的能力。

　　感谢2016年沸沸扬扬的人工智能热潮，基本向普通大众普及了人工智能的概念，老百姓基本上不再纠结于“人类是否会被AI统治”的杞人忧天，而是切实关注起已经无处不在的人工智能技术和应用。这其中，图像识别能力首当其冲，而识别人脸，则是图像识别的重中之重——人类是万物之灵，实际上，识别其他物体已经不是难事，例如爱奇艺等视频网站就基于图像识别技术开发出了广告产品——自动在视频中的物体上添加广告元素（例如桌子上加上一瓶广告商的饮料）。

　　2月21日，美国权威科技杂志《麻省理工科技评论》（MIT Technology Review）2017年全球十大突破性技术”中国大陆地区首发，在上榜的十大技术中，“Paying with Your Face 刷脸识别”榜上有名，这也是中国领先世界的人工智能技术，百度获此殊荣的同时也被重点提及，今年也是百度连续第二年上榜（去年是语音识别）。

　　识别人脸有多难？这可不是简单的答题比赛，从“认出这张脸”到“应用场景”，需要跨越至少三座大山：

　　从1：1到1：N，难度指数级增加

　　广泛场景中的人脸识别可不是银行服务里的1：1识别，1：N的难度是指数级增加。简单的说，以前的人脸识别应用，是将眼前的人和系统的里人匹配，仅作为确认身份使用；而1：N，是看到一张脸，就要从几万、几十万，甚至未来上亿的身份库中识别出来。这其中的关联算法、大数据模拟复杂程度可想而知。这一点，不光需要庞大的数据库（百度有200万人、2亿张照片的数据库），还需要精准算法的定位。

　　深度学习，机动算法

　　学习能力，是人工智能的核心之一，而在人脸识别上，学习能力就是机械表的发条、网游人物的装备。机器需要在不断的识别中，积累经验，调整算法。简单的说，百度的人脸识别，不是简单的一套逻辑和算法去匹配，而是根据不同的特点机动调整。例如，在人脸库中，所有人都是鹰钩鼻，那可能鼻子的特征就会被放弃识别。或者某种面目特征的重复率很高、为整体识别贡献的效率偏低，也就可能在算法中的加权被降低。

　　不要小看这种能力，狭义上说，这能提高识别效率和速度，广义上说，这是机器意识的一部分。

　　0失误、0时差

　　在电脑上给予充分的时间，实现很高的识别率，并不算很难。但要真正实现应用场景，实现商业化，真正应用到包括金融、支付在内的生活中，就必须做到0失误和0时差。