这是一个创建于 2530 天前的主题，其中的信息可能已经有所发展或是发生改变。
随着 AI 时代的移动技术革新大会开幕邻近，越来越多的行业人士对本届大会即将分享的行业干货保持着高度关注，本期主办方采访到了 [基于 AI 的开发实践专场] 演讲嘉宾杨帆先生（商汤科技联合创始人、副总裁，EGO 北京分会会员），就 AI 场景的价值体现与落地进行深度剖析。
以下内容是对杨帆先生的部分采访整理。
“ AI 更大的价值在于跟不同的行业结合”
杨帆在计算机视觉技术领域沉浸多年，在微软任职期间，他主要从事计算机视觉、计算机图形学等领域的新技术孵化工作，包括人脸识别、图像物体识别、人像三维重建等；杨帆认为，AI 技术并非新事物，但却在过去的两三年集中爆发，其关键原因就在于今天对语音、图像、视频，有了更加信息化的处理技术，在各个环节上具备了更强的技术储备。从技术到落地，AI 技术所实现的这一切，都离不开场景的支持。
AI 技术继承了多种基础技术，在面向工业、金融、医疗、家居、自动驾驶、安防、物流、农业等不同应用场景的解决方案，比如 AI 和医疗的融合应该会体现在智能设备和识别诊断主要两个方面； AI 和金融的整合使金融交易和管理更加安全，实现精准营销、大数据征信和普惠金融； AI 和安防的融合实现智能监控、安保机器人等应用场景； AI、大数据等这些东西纯谈概念是没有任何意义的，最终都要回归场景，可复用的基础技术和平台工具固然重要，但只有落在应用场景里，我们才知道其明确的价值在哪里。
业界曾出现一种批评的声音，称现在很多公司和开发者其实对于深度学习的运作原理并不清楚，只知道应用，却不知其所以然。
杨帆表示：“学术界有两套观念，一套观念说知其然不知其所以然是离经叛道、是不对的。对于这个观念，杨帆表示认可，其实现在已经有很多团队也投入力量在进行更加前沿、更加基础性的科研，“这样的基础科研能够指导我们将来在正确的方向上走得更远。”但杨帆认为，基础研究与应用科研，二者不可偏废，完整的科学体系和持续的方向性指引非常重要，但是实证科学也非常重要，企业最终还是要以技术落地的结果说话。”
人脸识别大行其道，不免让人对这项技术及其背后的公司产生了许多好奇。
对于这两年非常火的“刷脸”，开始有各种基于人脸验证能力的实用化场景。在互联网信息安全方面，对于账户的盗用能够更好的分析和调查，包括线上的手机端、桌面端、H5，包括定制的摄像头。操作逻辑非常简单，最开始做刷脸的注册，现在刷脸的支付，手机逐渐去进行刷脸的解锁。在对于个人的认证上，也有非常多的价值。人脸识别的技术，可以判断操作手机的是不是真实的人。有一个活体检测的技术服务，也包括在线下一体机的形态。对身份证的关键信息进行扫描，包括对身份证内部照片的读取和当前采集人之间进行判断。基于人像的身份认证也是一个非常有价值的工作，它是一个特殊的跨行业的解决方案。这个解决方案现在已经从线上到线下开始极大范围地蔓延。对中国来说，个人公民身份信息的实名制是一个非常重要的诉求，这个诉求能够有效地帮我们在一定程度上解决互联网的安全问题、解决线下的公共安全问题。所有线上的互联网行业应用，到各种线下行业，包括机场、超市、酒店，都会有越来越多的对于个人身份信息核验的强烈需求。
大家都关注识别正确率，在实际场景中正确率是否为最关键因素？
近几年，很多公司在人脸识别技术上投入了大量的研发并取得了亮眼的成绩，其中识别率一直是各家宣传的重点，今年我们能在各类报道中频繁看到各种 99%、99.4%、99.8%等。虽然企业这么宣称，但实际背后蕴含的差异是非常大的，它会有非常多影响因素，所以准确率跟行业背景以及前置假设会是一个强相关的关系。而不同的场景下取得的识别准确率很难做类比。
当识别率达到 99%以后，人脸识别技术面临的难点主要在于，如何在不同行业场景中深化这项技术。虽然看上去 99%的识别率已经很高了，但不同行业场景对于识别率的要求不同，99%可能只是该技术得以使用的入门条件；而安防场景下，照片模糊、有遮挡、角度不佳都给人脸识别带来了更现实的挑战。
“看似同质化很强、很简单的人脸识别，细分的技术场景其实非常复杂，所以脱离场景去谈技术是没有太大意义的，今天能看得到的，包括以安防、手机这样的一些重点行业为代表，对于真正的人脸识别技术的全面深化存在着非常多的挑战，值得我们去攻克。”
那么，怎样判断一个行业是否具有做 AI 场景的价值？在做 AI 平台化的进程中，遇到过哪些挑战和问题？
1、看需求
首先，需求得是真实的。杨帆举了个具体的例子：有一个家电厂商想通过人脸识别功能，实现“我进去之后这个房间自动调节成 16 度，我母亲进这个房间自动调节成 26 度”。我问他：“如果你和你母亲一块进去怎么办，如果你背着身进去怎么办？”他说这个需求，其实最好的解决办法就是摇控器。
其次，需求得是刚性的。需要考虑用户愿不愿意买单，愿意花多少钱买单？往后更深层次的逻辑链，需要对场景的更深的了解。
2、规模化
今天完成一套解决方案成本很高。人脸识别这样的技术，在不同的场景中技术差异很大。我今天做金融，1：1 的认证，错误率做到百万分之一，千万分之一，准确性非常高，在金融场景中非常好用。如果放在安防的场景下，安防要求百万人的黑名单库。而且黑名单库还要有误报，每一次误报有一个出警。同样是人脸识别，不同场景下关注的技术指标和任务是完全不同的。所以同样一个技术概念，在不同场景下的差异性非常明显。再者技术什么时候成熟需要在特定的需求场景下，离成熟多远要有一个预判力。
3、数据闭环
做 AI 技术，数据闭环是非常重要的环节。为什么？我们做视频的会发现，当你技术不成熟的时候你的业务不能用，业务没有落地的时候就没有数据。做不好，就形成死循环。这样的死循环如何去打破？原动力的突破来自于技术，当你的技术有小的突破，把其他场景迁移过来。技术的突破可以带来业务的落地，业务的落地带来数据的累积，数据的累计可以带来技术的进步。这样的数据闭环，帮助整体业务拓展并能带来非常大的价值。今天，数据面临隐私性和安全性的质问和考验。包括区块链在内的很多技术，还有一些非技术的方式方法，可以带来更深层次的探索。
4、商业化
光做出好产品是不够的，还要在市场上真的有价值，并且能持续保有竞争力。任何新技术都会随着时间的推移而扩散，一般所拥有的时间窗口最多也就是一年多的时间。
在这一段时间内，如何看待当前所面临的场景？在这个场景中技术到底占据多大的地位?是非关键性的应用还是关键性的应用？技术上的突破和分配，是否产生根本性的问题？在技术的壁垒期，我们能否利用这一段时间构建起技术以外的壁垒？
只有壁垒构建出来，利用时间窗口期把技术优势转化成其他的竞争性壁垒，这样的行业才值得去做。
5、技术创新驱动
早在一两年前，我们就搜集到大量用假照片和视频去攻击刷脸识别的行为，各种各样的案例。当我们拥有大量来自真实业务的攻击数据时，就能够针对图像视频各种各样的攻击方式进行非常好的防范，这来自于大量线上攻击的业务数据的累积，以及对这些数据的二次挖掘和利用。
这个给我们什么样的启示？做刷脸一开始是做人脸识别，但后来我们发现人脸识别不是最重要的，最重要的活体识别，分清到底是一个真人还是仿冒攻击。只有深入场景，才能发现你所面临的技术挑战跟你之前想象的不同。当行业落地的时候所面临的技术挑战，实际上需要重新定义、分解和解决。
从这五个闭环能够帮助我们去判断，把一个 AI 技术应用在某一个场景是否真的有价值，是否真的有意义，是否带来更大的用户价值。从这几个角度大家去进行分析判断，会有一个相对比较好的结论。
想把落地场景做好，复合型技术人才尤为重要
如杨帆所说，真正去看行业落地的时候，往往都是不同的技术叠加和组合的应用，这里面人脸识别和动作识别是最关键的技术，但实际上想把落地场景做好，一定需要多种技术组合。
杨帆表示，将创新技术转变为实际产品是一条满是荆棘的道路，行之不易，而其中最大的难点，一是如何选对方向和时机，二是如何找到合适的人才。
行业落地需要各种综合性的关键技术的整合。行业的需求往往是一些相对模糊的，而且从技术上来看是非常不明确的东西，这时候就需要有人有足够的能力去一一拆解。在杨帆看来，找到或培养一些既有技术背景、又对行业有足够深的理解的人才，是企业实现 AI 技术落地最关键的一点。他说到，“人才问题、团队组织问题、发展问题，特别是做 2B 行业，标准化与非标准之间的平衡性掌握，任何一个技术性产品落地会面临的共有问题，做 AI 技术落地，这些问题一个都不会少，而只会更严重。AI 人才是个更大的坑，AI 的技术性更深重，从过往来看，它跟行业的结合更弱，所以你想要真正去打磨出一个符合真正行业需求的产品的时候，需要把对行业的理解和对技术的理解融合在一起，这是当前最具挑战任务之一，因为过去可能这个世界上基本不存在这样的人，对行业有理解的人很少。”
视觉 AI 技术的落地与 AI 人才的培养是个复杂而庞大的话题，需要对技术和人才都有比较深刻的理解和认知，也是目前业内广泛关注的话题之一。2018 年 1 月 5 日，在 AI 时代的移动技术创新大会上，更多重量级大咖，将对 AI、移动应用技术、前端开发等内容进行深度的分享，感兴趣的小伙伴快来报名参加吧！
以下内容是对杨帆先生的部分采访整理。
“ AI 更大的价值在于跟不同的行业结合”
杨帆在计算机视觉技术领域沉浸多年，在微软任职期间，他主要从事计算机视觉、计算机图形学等领域的新技术孵化工作，包括人脸识别、图像物体识别、人像三维重建等；杨帆认为，AI 技术并非新事物，但却在过去的两三年集中爆发，其关键原因就在于今天对语音、图像、视频，有了更加信息化的处理技术，在各个环节上具备了更强的技术储备。从技术到落地，AI 技术所实现的这一切，都离不开场景的支持。
AI 技术继承了多种基础技术，在面向工业、金融、医疗、家居、自动驾驶、安防、物流、农业等不同应用场景的解决方案，比如 AI 和医疗的融合应该会体现在智能设备和识别诊断主要两个方面； AI 和金融的整合使金融交易和管理更加安全，实现精准营销、大数据征信和普惠金融； AI 和安防的融合实现智能监控、安保机器人等应用场景； AI、大数据等这些东西纯谈概念是没有任何意义的，最终都要回归场景，可复用的基础技术和平台工具固然重要，但只有落在应用场景里，我们才知道其明确的价值在哪里。
业界曾出现一种批评的声音，称现在很多公司和开发者其实对于深度学习的运作原理并不清楚，只知道应用，却不知其所以然。
杨帆表示：“学术界有两套观念，一套观念说知其然不知其所以然是离经叛道、是不对的。对于这个观念，杨帆表示认可，其实现在已经有很多团队也投入力量在进行更加前沿、更加基础性的科研，“这样的基础科研能够指导我们将来在正确的方向上走得更远。”但杨帆认为，基础研究与应用科研，二者不可偏废，完整的科学体系和持续的方向性指引非常重要，但是实证科学也非常重要，企业最终还是要以技术落地的结果说话。”
人脸识别大行其道，不免让人对这项技术及其背后的公司产生了许多好奇。
对于这两年非常火的“刷脸”，开始有各种基于人脸验证能力的实用化场景。在互联网信息安全方面，对于账户的盗用能够更好的分析和调查，包括线上的手机端、桌面端、H5，包括定制的摄像头。操作逻辑非常简单，最开始做刷脸的注册，现在刷脸的支付，手机逐渐去进行刷脸的解锁。在对于个人的认证上，也有非常多的价值。人脸识别的技术，可以判断操作手机的是不是真实的人。有一个活体检测的技术服务，也包括在线下一体机的形态。对身份证的关键信息进行扫描，包括对身份证内部照片的读取和当前采集人之间进行判断。基于人像的身份认证也是一个非常有价值的工作，它是一个特殊的跨行业的解决方案。这个解决方案现在已经从线上到线下开始极大范围地蔓延。对中国来说，个人公民身份信息的实名制是一个非常重要的诉求，这个诉求能够有效地帮我们在一定程度上解决互联网的安全问题、解决线下的公共安全问题。所有线上的互联网行业应用，到各种线下行业，包括机场、超市、酒店，都会有越来越多的对于个人身份信息核验的强烈需求。
大家都关注识别正确率，在实际场景中正确率是否为最关键因素？
近几年，很多公司在人脸识别技术上投入了大量的研发并取得了亮眼的成绩，其中识别率一直是各家宣传的重点，今年我们能在各类报道中频繁看到各种 99%、99.4%、99.8%等。虽然企业这么宣称，但实际背后蕴含的差异是非常大的，它会有非常多影响因素，所以准确率跟行业背景以及前置假设会是一个强相关的关系。而不同的场景下取得的识别准确率很难做类比。
当识别率达到 99%以后，人脸识别技术面临的难点主要在于，如何在不同行业场景中深化这项技术。虽然看上去 99%的识别率已经很高了，但不同行业场景对于识别率的要求不同，99%可能只是该技术得以使用的入门条件；而安防场景下，照片模糊、有遮挡、角度不佳都给人脸识别带来了更现实的挑战。
“看似同质化很强、很简单的人脸识别，细分的技术场景其实非常复杂，所以脱离场景去谈技术是没有太大意义的，今天能看得到的，包括以安防、手机这样的一些重点行业为代表，对于真正的人脸识别技术的全面深化存在着非常多的挑战，值得我们去攻克。”
那么，怎样判断一个行业是否具有做 AI 场景的价值？在做 AI 平台化的进程中，遇到过哪些挑战和问题？
1、看需求
首先，需求得是真实的。杨帆举了个具体的例子：有一个家电厂商想通过人脸识别功能，实现“我进去之后这个房间自动调节成 16 度，我母亲进这个房间自动调节成 26 度”。我问他：“如果你和你母亲一块进去怎么办，如果你背着身进去怎么办？”他说这个需求，其实最好的解决办法就是摇控器。
其次，需求得是刚性的。需要考虑用户愿不愿意买单，愿意花多少钱买单？往后更深层次的逻辑链，需要对场景的更深的了解。
2、规模化
今天完成一套解决方案成本很高。人脸识别这样的技术，在不同的场景中技术差异很大。我今天做金融，1：1 的认证，错误率做到百万分之一，千万分之一，准确性非常高，在金融场景中非常好用。如果放在安防的场景下，安防要求百万人的黑名单库。而且黑名单库还要有误报，每一次误报有一个出警。同样是人脸识别，不同场景下关注的技术指标和任务是完全不同的。所以同样一个技术概念，在不同场景下的差异性非常明显。再者技术什么时候成熟需要在特定的需求场景下，离成熟多远要有一个预判力。
3、数据闭环
做 AI 技术，数据闭环是非常重要的环节。为什么？我们做视频的会发现，当你技术不成熟的时候你的业务不能用，业务没有落地的时候就没有数据。做不好，就形成死循环。这样的死循环如何去打破？原动力的突破来自于技术，当你的技术有小的突破，把其他场景迁移过来。技术的突破可以带来业务的落地，业务的落地带来数据的累积，数据的累计可以带来技术的进步。这样的数据闭环，帮助整体业务拓展并能带来非常大的价值。今天，数据面临隐私性和安全性的质问和考验。包括区块链在内的很多技术，还有一些非技术的方式方法，可以带来更深层次的探索。
4、商业化
光做出好产品是不够的，还要在市场上真的有价值，并且能持续保有竞争力。任何新技术都会随着时间的推移而扩散，一般所拥有的时间窗口最多也就是一年多的时间。
在这一段时间内，如何看待当前所面临的场景？在这个场景中技术到底占据多大的地位?是非关键性的应用还是关键性的应用？技术上的突破和分配，是否产生根本性的问题？在技术的壁垒期，我们能否利用这一段时间构建起技术以外的壁垒？
只有壁垒构建出来，利用时间窗口期把技术优势转化成其他的竞争性壁垒，这样的行业才值得去做。
5、技术创新驱动
早在一两年前，我们就搜集到大量用假照片和视频去攻击刷脸识别的行为，各种各样的案例。当我们拥有大量来自真实业务的攻击数据时，就能够针对图像视频各种各样的攻击方式进行非常好的防范，这来自于大量线上攻击的业务数据的累积，以及对这些数据的二次挖掘和利用。
这个给我们什么样的启示？做刷脸一开始是做人脸识别，但后来我们发现人脸识别不是最重要的，最重要的活体识别，分清到底是一个真人还是仿冒攻击。只有深入场景，才能发现你所面临的技术挑战跟你之前想象的不同。当行业落地的时候所面临的技术挑战，实际上需要重新定义、分解和解决。
从这五个闭环能够帮助我们去判断，把一个 AI 技术应用在某一个场景是否真的有价值，是否真的有意义，是否带来更大的用户价值。从这几个角度大家去进行分析判断，会有一个相对比较好的结论。
想把落地场景做好，复合型技术人才尤为重要
如杨帆所说，真正去看行业落地的时候，往往都是不同的技术叠加和组合的应用，这里面人脸识别和动作识别是最关键的技术，但实际上想把落地场景做好，一定需要多种技术组合。
杨帆表示，将创新技术转变为实际产品是一条满是荆棘的道路，行之不易，而其中最大的难点，一是如何选对方向和时机，二是如何找到合适的人才。
行业落地需要各种综合性的关键技术的整合。行业的需求往往是一些相对模糊的，而且从技术上来看是非常不明确的东西，这时候就需要有人有足够的能力去一一拆解。在杨帆看来，找到或培养一些既有技术背景、又对行业有足够深的理解的人才，是企业实现 AI 技术落地最关键的一点。他说到，“人才问题、团队组织问题、发展问题，特别是做 2B 行业，标准化与非标准之间的平衡性掌握，任何一个技术性产品落地会面临的共有问题，做 AI 技术落地，这些问题一个都不会少，而只会更严重。AI 人才是个更大的坑，AI 的技术性更深重，从过往来看，它跟行业的结合更弱，所以你想要真正去打磨出一个符合真正行业需求的产品的时候，需要把对行业的理解和对技术的理解融合在一起，这是当前最具挑战任务之一，因为过去可能这个世界上基本不存在这样的人，对行业有理解的人很少。”
视觉 AI 技术的落地与 AI 人才的培养是个复杂而庞大的话题，需要对技术和人才都有比较深刻的理解和认知，也是目前业内广泛关注的话题之一。2018 年 1 月 5 日，在 AI 时代的移动技术创新大会上，更多重量级大咖，将对 AI、移动应用技术、前端开发等内容进行深度的分享，感兴趣的小伙伴快来报名参加吧！
目前尚无回复
Select Language