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想的要快了很多。兩會的政府工作報告明確提出，加快培育壯大新興產(chǎn)業(yè)，全面實施戰(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、第五代移動通信等技術研發(fā)和轉化，做大做強產(chǎn)業(yè)集群。這是人工智能第一次被正式寫到《政府工作報告》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，政府對于這項新興產(chǎn)業(yè)的認可和支持的最強音。中國家用電器研究院副院長曲宗峰先生也表示：“智慧家庭產(chǎn)業(yè)進入下一個爆發(fā)期，標志就是人工智能在物聯(lián)網(wǎng)平臺的廣泛應用。”在人工智能大熱的情況下，生物識別技術作為人工智能的重要研究領域，能否借助人工智能熱潮迎來爆發(fā)期呢？

人工智能的前世今生

人工智能是研究、開發(fā)用于模擬延伸和拓展人的理論、方法、技術及應用系統(tǒng)的一門新的技術科學。用這個概念創(chuàng)造者達特茅斯大學助理教授McCarthy的話來說，它是“制造智能機器、尤其是智能計算機程序的科學和工程。”

人工智能大體可分為三個階段，其中最基礎的是計算智能，即讓機器能存會算，能夠像人類一樣會計算、傳遞信息，其主要價值在于幫助人類存儲和快速處理海量數(shù)據(jù)，是認知和感知的基礎;其次是感知智能，即讓機器感知外界，能夠看懂圖像和聽懂聲音，并做出判斷采取一些行動，包括人臉識別、指紋識別、語音識別等、圖像識別、目標檢測、序列分析等等，主要價值在于能夠幫助人類高效地完成“看”和“聽”相關的工作;人工智能的高級階段是認知智能，期望機器有自主行動能力，能夠像人一樣思考并主動采取行動，包括完全獨立駕駛的無人駕駛汽車、自主行動的機器人，目標在于全面輔助或替代人類工作。

人工智能并不是一項新的科技。早在1950年代，人工智能概念就被提出并確定為研究領域，至今已有60年的歷史。近些年，處理器性能的大幅提升，機器學習算法的不斷優(yōu)化以及大數(shù)據(jù)、云技術的迅猛發(fā)展，都為人工智能的爆發(fā)注入了強大動力。無論是Google、Facebook、Amazon還是國內(nèi)的百度、阿里巴巴等有影響力的技術公司，都表現(xiàn)出自己對人工智能的狂熱。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。

人工智能的重要領域——生物識別

人工智能領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。

生物識別是通過機器模擬人的智能，對采集的人體生物特征及行為特征與注冊信息進行比對，從而實現(xiàn)對人員身份識別與鑒定。相比傳統(tǒng)的身份鑒定方法，生物特征識別更具安全、保密和方便性。生物特征識別技術具備不易遺忘、防偽性能好、不易偽造或被盜、隨身“攜帶”和隨時隨地可用等優(yōu)點。近些年，通過深度學習、活體檢測、多維驗證提升識別性能，人臉識別等生物識別的準確率有了顯著提高。

通過人臉識別看深度學習

人臉識別不同于一般的傳統(tǒng)模式識別，人臉圖像較為復雜，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，所以準確區(qū)分不同人變得極為困難。

在基于傳統(tǒng)的模式識別和機器學習方法的人臉識別算法中，對于質(zhì)量較好的圖像識別性能不錯，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有效解決這個問題。

1981年諾貝爾醫(yī)學獎獲得者David Hubel和Torsten Wiesel發(fā)現(xiàn)人的視覺系統(tǒng)的信息處理是分級的。從視網(wǎng)膜（Retina）出發(fā)，經(jīng)過低級的V1區(qū)提取邊緣特征，到V2區(qū)的基本形狀或目標的局部，再到高層的整個目標（如判定為一張人臉），以及到更高層的PFC（前額葉皮層）進行分類判斷等。也就是說高層的特征是低層特征的組合，從低層到高層的特征表達越來越抽象和概念化，也即越來越能表現(xiàn)語義或者意圖。

這個發(fā)現(xiàn)激發(fā)了人們對于神經(jīng)系統(tǒng)的進一步思考。大腦的工作過程，或許是一個不斷迭代、不斷抽象概念化的過程。例如，從原始信號攝入開始（瞳孔攝入像素），接著做初步處理（大腦皮層某些細胞發(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），然后進一步抽象（大腦進一步判定該物體是張人臉），最后識別眼前的這個人。

深度學習（Deep Learning），就是力圖通過分層組合很多非線性函數(shù)，來模擬人類神經(jīng)系統(tǒng)的工作過程。例如，在計算機視覺領域，深度學習算法淺層是從原始圖像去學習得到一個低層次表達，例如邊緣檢測器、小波濾波器等，然后在這些低層次表達的基礎上，通過線性或者非線性組合，來獲得一個高層次的表達，形成更加抽象的高層特征（或屬性類別）。如果對應的類別是人臉的話，深度學習就實現(xiàn)了人臉識別的任務。

數(shù)據(jù)顯示，基于深度學習的人臉識別技術，在常規(guī)誤識率要求下，能將原拒識率再降低40%至60%，大幅提升了人臉識別的準確率，與此同時還降低了研發(fā)人員的工作強度。這些為人臉識別技術的大規(guī)模應用奠定了技術基礎。

生物識別助力人工智能大發(fā)展

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

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