第二个问题，这些数据是什么样的数据？像网上的图片和摄像头所拍摄的人脸图像是不能用来做人脸识别研究的，因为人脸识别是要研究同一个人为什么会有不一样的时候，而不同的人为什么有的时候又长的一样。正所谓人生百态，一个人从小到大、从光线好到不好、从近到远有不同的角度。

所以，要有同一个人在不同场景下的照片，以及不同人在同样场景下照片，才能把这个这个关系理顺出来，而随便拍的照片是没有办法用的。如果再要求严格一点的话，最好是数据库和实际中场景有一定的一致性。

以公安为例，就是身份证证件照和摄像头所拍摄的照片的比对，但由于这些都属于涉密信息，所以就很难拿到了。如果我们要求再高一点，因为我们研究的是同一个人在不同的场景和不同的人在同一场景，那如何定义同一场景就成了一个问题。而如果要知道一张图片的光线、角度、遮挡表情这些东西的话，这就更难上加难。

那么我们是怎么做的呢？从2011年开始做了一个全球首创的移动可拆卸毫秒级同步人脸识别阵列，就是每5度一个、一共91个高速摄像头的硬件系统。我们在中科院花了两年的时间，收集了有几千万张人脸图片的结构化数据。

结构化数据虽然谈不上是大数据，但很重要。就好比即便社会是最好的大学，但小孩子还是要接受学校的结构化知识体系的道理。它解决的是分析出影响不同图片的各种具体因素。

而非结构化数据部分则是我们与公安部、司法部门和民航总局合作，合法合规的拿到的真实场景中的资料数据。这一部分就相当于AlphaGo学习的几十万册棋谱。

最后一部分是更为泛泛的非结构化数据，由于不具有涉密性质，所以就比较好处理了。像我们最近在研究的对抗网络就是可以生成人脸数据的。可对于同一个人在不同的场景和不同的人在同一场景下的人脸数据，仍是需要进一步的条件限制的。

强化学习在机器下围棋方面应用很深入，那在人脸识别上是不是也有应用呢？

目前的话，强化学习在下围棋方面还是很火热的，但对于人脸识别大家就不怎么应用，因为这并不是一种随机策略的序列。相对来讲下围棋是一个推测的过程，就比较适合应用强化学习。

图丨Google的算法已经可以将低分辨率的照片转换成高分辨率的照片

举个例子来解释这一问题，Google最近搞了一个超分辨率的技术，即降低分辨率图片转化为高分辨率图片，结果还不错。虽然这一技术已经搞了几十年了，但原来的做法是在已知高分辨率和对应低分辨率图片的情况下将每一个像素点一一对应，如果再出现相似的像素点，那就可以将对应的高分辨率的图片中的像素点拼凑起来，也就实现了超分辨率的转化过程。

但这一过程中拼凑是一个很关键的步骤，失败的概率很高。

而这一关联拼凑的过程实际包含有推测的成分在里面，即实现了信息量上的扩充，照此方法极端来讲，一个像素点都可以扩充为一张人脸的图像，但从这种推测方法做出的图像并不具有法律效应。

同时，相比于人类的推测能力，模式识别要差很多。就像在文学创作中个人的想象力可以做到见微知著、举一反三，用想象力填补上整部作品，而机器在数据仅仅缺失10%的情况下都不能够“脑补”完整。

人脸识别在金融安防领域的应用是如何确保安全性的？

其实人民银行规定所有重要的金融行为都需要双重或多重认证的。比如去ATM机取款就需要双重认证，第一需要插卡；第二需要输入密码。在电脑上操作需要先插个优盾，然后再输入密码，这也是双重认证。而手机则比较特殊，它的第一重认证是默认你拿到了自己的手机，对自己的手机有支配权，而后的第二重认证才是输入密码。

所以，多重认证是固定的，人脸识别只是取代其中的一个认证过程。而对我们来讲，人民银行对这一方面也是逐步放开的，它首先会根据这种关键金融机构的反馈来决定监管政策放开的程度。比如我们做的机器认证要比柜员直观认证要准确得多，这种情况下对银行是没有什么风险的，也就会逐步推广这一做法。