盡管到目前為止人工智能還大多停留在美好的憧憬上，但人工智能的落地似乎比人們預(yù)想的要快了很多。兩會(huì)的政府工作報(bào)告明確提出，加快培育壯大新興產(chǎn)業(yè)，全面實(shí)施戰(zhàn)略性新興產(chǎn)業(yè)發(fā)展規(guī)劃，加快新材料、人工智能、集成電路、生物制藥、第五代移動(dòng)通信等技術(shù)研發(fā)和轉(zhuǎn)化，做大做強(qiáng)產(chǎn)業(yè)集群。這是人工智能第一次被正式寫(xiě)到《政府工作報(bào)告》之中，如果從政策角度看，這也是繼去年科技部表態(tài)要大力支持人工智能后，政府對(duì)于這項(xiàng)新興產(chǎn)業(yè)的認(rèn)可和支持的最強(qiáng)音。中國(guó)家用電器研究院副院長(zhǎng)曲宗峰先生也表示：“智慧家庭產(chǎn)業(yè)進(jìn)入下一個(gè)爆發(fā)期，標(biāo)志就是人工智能在物聯(lián)網(wǎng)平臺(tái)的廣泛應(yīng)用。”在人工智能大熱的情況下，生物識(shí)別技術(shù)作為人工智能的重要研究領(lǐng)域，能否借助人工智能熱潮迎來(lái)爆發(fā)期呢？

人工智能的前世今生

人工智能是研究、開(kāi)發(fā)用于模擬延伸和拓展人的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。用這個(gè)概念創(chuàng)造者達(dá)特茅斯大學(xué)助理教授McCarthy的話來(lái)說(shuō)，它是“制造智能機(jī)器、尤其是智能計(jì)算機(jī)程序的科學(xué)和工程?！?/p>

人工智能大體可分為三個(gè)階段，其中最基礎(chǔ)的是計(jì)算智能，即讓機(jī)器能存會(huì)算，能夠像人類一樣會(huì)計(jì)算、傳遞信息，其主要價(jià)值在于幫助人類存儲(chǔ)和快速處理海量數(shù)據(jù)，是認(rèn)知和感知的基礎(chǔ);其次是感知智能，即讓機(jī)器感知外界，能夠看懂圖像和聽(tīng)懂聲音，并做出判斷采取一些行動(dòng)，包括人臉識(shí)別、指紋識(shí)別、語(yǔ)音識(shí)別等、圖像識(shí)別、目標(biāo)檢測(cè)、序列分析等等，主要價(jià)值在于能夠幫助人類高效地完成“看”和“聽(tīng)”相關(guān)的工作;人工智能的高級(jí)階段是認(rèn)知智能，期望機(jī)器有自主行動(dòng)能力，能夠像人一樣思考并主動(dòng)采取行動(dòng)，包括完全獨(dú)立駕駛的無(wú)人駕駛汽車、自主行動(dòng)的機(jī)器人，目標(biāo)在于全面輔助或替代人類工作。

人工智能并不是一項(xiàng)新的科技。早在1950年代，人工智能概念就被提出并確定為研究領(lǐng)域，至今已有60年的歷史。近些年，處理器性能的大幅提升，機(jī)器學(xué)習(xí)算法的不斷優(yōu)化以及大數(shù)據(jù)、云技術(shù)的迅猛發(fā)展，都為人工智能的爆發(fā)注入了強(qiáng)大動(dòng)力。無(wú)論是Google、Facebook、Amazon還是國(guó)內(nèi)的百度、阿里巴巴等有影響力的技術(shù)公司，都表現(xiàn)出自己對(duì)人工智能的狂熱。而在去年，AlphaGo戰(zhàn)勝圍棋世界冠軍李世石后，人工智能這一概念更是變得家喻戶曉。

人工智能的重要領(lǐng)域——生物識(shí)別

人工智能領(lǐng)域的研究包括機(jī)器人、語(yǔ)言識(shí)別、圖像識(shí)別、自然語(yǔ)言處理和專家系統(tǒng)等。

生物識(shí)別是通過(guò)機(jī)器模擬人的智能，對(duì)采集的人體生物特征及行為特征與注冊(cè)信息進(jìn)行比對(duì)，從而實(shí)現(xiàn)對(duì)人員身份識(shí)別與鑒定。相比傳統(tǒng)的身份鑒定方法，生物特征識(shí)別更具安全、保密和方便性。生物特征識(shí)別技術(shù)具備不易遺忘、防偽性能好、不易偽造或被盜、隨身“攜帶”和隨時(shí)隨地可用等優(yōu)點(diǎn)。近些年，通過(guò)深度學(xué)習(xí)、活體檢測(cè)、多維驗(yàn)證提升識(shí)別性能，人臉識(shí)別等生物識(shí)別的準(zhǔn)確率有了顯著提高。

通過(guò)人臉識(shí)別看深度學(xué)習(xí)

人臉識(shí)別不同于一般的傳統(tǒng)模式識(shí)別，人臉圖像較為復(fù)雜，包含豐富的層次信息，數(shù)據(jù)空間的維數(shù)很高。同一個(gè)人在不同姿態(tài)、不同光照等條件下的圖像之間的差別往往比不同人同一成像條件下的圖像之間的差別還要大，所以準(zhǔn)確區(qū)分不同人變得極為困難。

在基于傳統(tǒng)的模式識(shí)別和機(jī)器學(xué)習(xí)方法的人臉識(shí)別算法中，對(duì)于質(zhì)量較好的圖像識(shí)別性能不錯(cuò)，但由于單一算法很容易受到光照、姿態(tài)、年齡等多種因素的影響，一般采用人臉形狀特征、人臉灰度特征和人臉皮膚紋理特征等多種特征融合方法來(lái)有效解決這個(gè)問(wèn)題。

1981年諾貝爾醫(yī)學(xué)獎(jiǎng)獲得者David Hubel和Torsten Wiesel發(fā)現(xiàn)人的視覺(jué)系統(tǒng)的信息處理是分級(jí)的。從視網(wǎng)膜（Retina）出發(fā)，經(jīng)過(guò)低級(jí)的V1區(qū)提取邊緣特征，到V2區(qū)的基本形狀或目標(biāo)的局部，再到高層的整個(gè)目標(biāo)（如判定為一張人臉），以及到更高層的PFC（前額葉皮層）進(jìn)行分類判斷等。也就是說(shuō)高層的特征是低層特征的組合，從低層到高層的特征表達(dá)越來(lái)越抽象和概念化，也即越來(lái)越能表現(xiàn)語(yǔ)義或者意圖。

這個(gè)發(fā)現(xiàn)激發(fā)了人們對(duì)于神經(jīng)系統(tǒng)的進(jìn)一步思考。大腦的工作過(guò)程，或許是一個(gè)不斷迭代、不斷抽象概念化的過(guò)程。例如，從原始信號(hào)攝入開(kāi)始（瞳孔攝入像素），接著做初步處理（大腦皮層某些細(xì)胞發(fā)現(xiàn)邊緣和方向），然后抽象（大腦判定眼前物體的形狀，比如是橢圓形的），然后進(jìn)一步抽象（大腦進(jìn)一步判定該物體是張人臉），最后識(shí)別眼前的這個(gè)人。

深度學(xué)習(xí)（Deep Learning），就是力圖通過(guò)分層組合很多非線性函數(shù)，來(lái)模擬人類神經(jīng)系統(tǒng)的工作過(guò)程。例如，在計(jì)算機(jī)視覺(jué)領(lǐng)域，深度學(xué)習(xí)算法淺層是從原始圖像去學(xué)習(xí)得到一個(gè)低層次表達(dá)，例如邊緣檢測(cè)器、小波濾波器等，然后在這些低層次表達(dá)的基礎(chǔ)上，通過(guò)線性或者非線性組合，來(lái)獲得一個(gè)高層次的表達(dá)，形成更加抽象的高層特征（或?qū)傩灶悇e）。如果對(duì)應(yīng)的類別是人臉的話，深度學(xué)習(xí)就實(shí)現(xiàn)了人臉識(shí)別的任務(wù)。

數(shù)據(jù)顯示，基于深度學(xué)習(xí)的人臉識(shí)別技術(shù)，在常規(guī)誤識(shí)率要求下，能將原拒識(shí)率再降低40%至60%，大幅提升了人臉識(shí)別的準(zhǔn)確率，與此同時(shí)還降低了研發(fā)人員的工作強(qiáng)度。這些為人臉識(shí)別技術(shù)的大規(guī)模應(yīng)用奠定了技術(shù)基礎(chǔ)。

生物識(shí)別助力人工智能大發(fā)展

隨著國(guó)家政策大力引導(dǎo)，人工智能理論研究不斷深入以及行業(yè)應(yīng)用的不斷突破，人工智能革命會(huì)對(duì)傳統(tǒng)行業(yè)商業(yè)模式、產(chǎn)業(yè)鏈和價(jià)值鏈進(jìn)行全面顛覆，逐步影響到社會(huì)、生活、文化的方方面面。

通過(guò)生物識(shí)別技術(shù)采集數(shù)據(jù)是人工智能應(yīng)用的重要一環(huán)，利用生物識(shí)別鑒定人員身份也是未來(lái)進(jìn)行人機(jī)交互的首要環(huán)節(jié)。生物識(shí)別必將成為人工智能產(chǎn)業(yè)爆發(fā)的前哨戰(zhàn)，推動(dòng)人工智能產(chǎn)業(yè)的快速發(fā)展。