第五十一章 動態特徵邏輯理論

請關閉瀏覽器的閱讀/暢讀/小說模式並且關閉廣告遮蔽過濾功能，避免出現內容無法顯示或者段落錯亂。

原本已經開始疲憊的眾人都不自覺的打起了精神，正常公司來參加這種提案的都是兩個人，一個專案負責人，一個技術人員。

所以不管是常年遊走於市場的專案經理還是穿著格子襯衫的技術人員，自然都對劉凡接下來將要說的內容充滿了興趣。

“我們的人臉識別技術之所以可以實現剛才大家所看到的場景運用，是基於我們提出的動態特徵邏輯理論。”

劉凡這邊開始解釋，下面有人開始錄音，有人開始錄影，有人開始記筆記。

“我們現在主流的人臉識別技術的核心就是特徵，不管是整體的幾何特徵還是區域性特徵，也不管是傳統演算法還是神經網路模擬，一切的根源就是抓取特徵並對特徵進行處理。但不管後續的處理方式是多麼的動態亦或者多麼的高維，我們抓取的特徵本身是靜態的。

這也就不可能避免很容易受到環境的影響。所以我們很早就在考慮是不是可以抓取動態特徵而不是靜態特徵。再後來，我們意識到單純的抓取動態特徵依舊不夠，如果能利用大資料探勘出動態特徵邏輯，那麼不管環境如何影響，只要能搭建出一個足夠龐大的動態特徵邏輯模型，即便依靠非常模糊的影像資料也有可能實現人臉識別。

我簡單舉個例子。”

劉凡說著，將ppt點到後一頁，“首先在座各位肯定都知道一個基礎原理，那就是一葉一菩提。這個世界沒有完全相同的兩片樹葉，同樣也不存在兩片樹葉擁有同樣的生長曆程。

大家可以看ppt，這是我們第一次發現的動態特徵邏輯，透過對這三千萬個動態人臉進行不斷的挖掘之後，計算機得出了意外的答案，人在轉眼珠的時候，眼珠的轉動與臉頰下方這個紅點的位置所出現的肌肉變化存在函式關係，而不同的人之間，這種函式都是相同的，唯一的區別在於係數上。

具體的函式涉及到商業隱私所以我不在這裡展示，我只做簡單的類比，a的眼珠和臉頰函式關係是f（x）y，b的函式關係是f（x）1.1y，c的函式關係是f（x）1.2y，以此類推，所以當影片抓取某一個人眼珠轉動的變數x時，對應的函式結果是唯一的，而類似這樣的動態函式我們目前在人臉上發現了26個，同時我們還在繼續努力。

相信大家都可以理解，動態函式的優勢是十分明顯的，比如有罪犯把臉蒙上，但只要能看到他的眼睛，只要他的眼睛提供了一個變數x，那麼就可以進行數個與眼睛相關的函式的計算，再或許他把眼睛也遮起來，但臉部某個部位的肌肉變化也有匹配的對應的函式，那麼...”

“你讓演算法推導演算法！？”劉凡話說到一半，突然有個人拍案而起打斷了他。

而當這個穿著黑色格子襯衫的人說出這話之後，場下立刻躁動起來。

他們剛才光顧著聽劉凡說，都還沒來得及意識到劉凡這個演算法如果真的存在的話，對人工智慧行業來說意味著什麼。

現在所謂的深度學習演算法，是能力的學習，舉個稍顯片面的例子，讓計算機不停的學習乘法，慢慢的計算機的乘法計算速度就會越來越快。

用個更生活的例子來說，現在很多企業開始研發機器人，大家看到機器人與人互動，會覺得人工智慧時代好像真的來了。但其實機器人跟人對話的過程中，我們簡化掉深度學習的過程，其實該說什麼都是某種程式設定下的最佳化答案。

比如女孩子跟機器人說我生氣了，現在的智慧機器人這個時候的思維模式是這樣的，她說她生氣了，根據女人生氣的時候都是不講理的這個原理，所以此時得出最優解，只管道歉，再給她發個紅包。

但真正的人是怎麼思考問題的呢？她真的生氣了麼？她為什麼生氣啊？那這樣的情況下我該怎麼做呢？不是什麼大不了的事情那就道個歉吧，但如果是原則問題，絕對不能慣著她，因為可能反而毀了她，也毀了自己。

這還只是一個例子，真正在交往中男生會出現的想法要比這多的多。

其實這樣一比較，大家很容易就明白了人和人工智慧之間的不同，一個是跟著設定的程式進行分析後得出最優解，一個是根據生活經驗以及自己的情緒進行不同的即時反應。而這種即時反應理論上來說是完全無序且不可預測的。

我們可以發現，人在處理一件事的時候經歷了這麼幾個過程：感知，分析，決策。

而現在的人工智慧做的是資訊輸入，資訊分析，輸出最優結果。

所以在資訊處理上，人工智慧跟人類看起來很像，