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，一個項目負責人，一個技術人員。
所以不管是常年遊走於市場的項目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征邏輯理論。”
劉凡這邊開始解釋，下麵有人開始錄音，有人開始錄像，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征，不管是整體的幾何特征還是局部特征，也不管是傳統算法還是神經網絡模擬，一切的根源就是抓取特征並對特征進行處理。但不管後續的處理方式是多麽的動態亦或者多麽的高維，我們抓取的特征本身是靜態的。
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征而不是靜態特征。再後來，我們意識到單純的抓取動態特征依舊不夠，如果能利用大數據挖掘出動態特征邏輯，那麽不管環境如何影響，隻要能搭建出一個足夠龐大的動態特征邏輯模型，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征邏輯，通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數關係，而不同的人之間，這種函數都是相同的，唯一的區別在於係數上。
具體的函數涉及到商業隱私所以我不在這裏展示，我隻做簡單的類比，a的眼珠和臉頰函數關係是f（x）=y，b的函數關係是f（x）=1.1y，c的函數關係是f（x）=1.2y，以此類推，所以當視頻抓取某一個人眼珠轉動的變量x時，對應的函數結果是唯一的，而類似這樣的動態函數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，動態函數的優勢是十分明顯的，比如有罪犯把臉蒙上，但隻要能看到他的眼睛，隻要他的眼睛提供了一個變量x，那麽就可以進行數個與眼睛相關的函數的計算，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數，那麽...”
“你讓算法推導算法！？”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算法如果真的存在的話，對人工智能行業來說意味著什麽。
現在所謂的深度學習算法，是能力的學習，舉個稍顯片麵的例子，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，會覺得人工智能時代好像真的來了。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，其實該說什麽都是某種程序設定下的優化答案。
比如女孩子跟機器人說我生氣了，現在的智能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，隻管道歉，再給她發個紅包。
但真正的人是怎麽思考問題的呢？她真的生氣了麽？她為什麽生氣啊？那這樣的情況下我該怎麽做呢？不是什麽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。
這還隻是一個例子，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能之間的不同，一個是跟著設定的程序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曆了這麽幾個過程：感知，分析，決策。
而現在的人工智能做的是信息輸入，信息分析，輸出最優結果。
所以在信息處理上，人工智能跟人類看起來很像，但一旦扯上情感，扯上無序的東西時，人工智能和人類的區別就出來了。
人會為了所愛的人去死，現在的人工智能永遠不會。
這個時候再迴過頭看劉凡實現的算法，如果算法可以自己根據不斷輸入的數據去推導出各種函數的話，這個時候的行為模式在一定程度上模擬的就是：人從完全無知的嬰兒開始在不斷的成長中對世界有了越來越多的了解。
其實對人工智來說，所謂的算法也好，函數也好，規則也好，也許就是人類的生存法則。人這一輩子，不也是一個不斷了解生命的過程麽。
這章沒有結束^.^，請點擊下一頁繼續閱讀！
如果把人類成長的這個過程細化，有沒有可能就是在不斷的發現無數的規則呢？隻不過大腦處理了這些問題，我們自己都沒發現而已。
所以當算法可以自己去發現規則的時候，對於人工智能來說，等同於打開了另一扇大門。雖然這個方向也不一定就完全對，但從理論上來說很可能是更接近真正人工智能的大門。
但這個東西說說簡單，真要實現就太難了，就像章凱祥擁有強大的數學功底，也有了對應的猜想，但卻無從下手。如果劉凡沒有係統這變態的外掛，想要讓算法去自主挖掘函數對他來說可能這輩子都做不到。
當然，其實劉凡現在的算法距離理想中的狀態還有很大的距離，一方麵是函數推導的準確性和挖掘能力，都還有很大的空間，因為會受限於數據量和數據類別。就比如在這次的人臉識別之前，劉凡的數據關聯逆推算法一直都沒什麽突破性的進展。
雖然在以往的使用中確實如他之前構想的能實現無序數據利用，但之前的函數都是沒有突破算法底層的傳統數學框架的，這就讓這些函數是否是算法自己推導出來的這個問題有待商榷了。
但這次在人臉識別上的實驗，讓劉凡看到了突破，算法的自我推導似乎真的可行。
還有一個問題就是劉凡的算法現在隻能分析，不能決策。
他試過很多方法，都無法實現決策能力。
他慢慢意識到想要讓算法擁有決策能力，必須打破現有的底層算法原理。
但這並不影響劉凡目前的算法對今天到場的技術人員所造成的震撼，劉凡和章凱祥會有這樣的猜想，別人自然也可能有過這樣的猜想，隻不過沒有人能跨過技術難關罷了，因此當大家反應過來劉凡所呈現的東西如果是真的那意味著什麽的時候，所有人都很難再控製自己的情緒了。
而大家的震驚正是劉凡所期待的，當正麵剛gsct那一刻起，木龍科技就是一支站在戰場上準備攻城略地的軍隊了，已經沒有收斂鋒芒的必要了...
所以不管是常年遊走於市場的項目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征邏輯理論。”
劉凡這邊開始解釋，下麵有人開始錄音，有人開始錄像，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征，不管是整體的幾何特征還是局部特征，也不管是傳統算法還是神經網絡模擬，一切的根源就是抓取特征並對特征進行處理。但不管後續的處理方式是多麽的動態亦或者多麽的高維，我們抓取的特征本身是靜態的。
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征而不是靜態特征。再後來，我們意識到單純的抓取動態特征依舊不夠，如果能利用大數據挖掘出動態特征邏輯，那麽不管環境如何影響，隻要能搭建出一個足夠龐大的動態特征邏輯模型，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征邏輯，通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數關係，而不同的人之間，這種函數都是相同的，唯一的區別在於係數上。
具體的函數涉及到商業隱私所以我不在這裏展示，我隻做簡單的類比，a的眼珠和臉頰函數關係是f（x）=y，b的函數關係是f（x）=1.1y，c的函數關係是f（x）=1.2y，以此類推，所以當視頻抓取某一個人眼珠轉動的變量x時，對應的函數結果是唯一的，而類似這樣的動態函數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，動態函數的優勢是十分明顯的，比如有罪犯把臉蒙上，但隻要能看到他的眼睛，隻要他的眼睛提供了一個變量x，那麽就可以進行數個與眼睛相關的函數的計算，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數，那麽...”
“你讓算法推導算法！？”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算法如果真的存在的話，對人工智能行業來說意味著什麽。
現在所謂的深度學習算法，是能力的學習，舉個稍顯片麵的例子，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，會覺得人工智能時代好像真的來了。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，其實該說什麽都是某種程序設定下的優化答案。
比如女孩子跟機器人說我生氣了，現在的智能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，隻管道歉，再給她發個紅包。
但真正的人是怎麽思考問題的呢？她真的生氣了麽？她為什麽生氣啊？那這樣的情況下我該怎麽做呢？不是什麽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。
這還隻是一個例子，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能之間的不同，一個是跟著設定的程序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曆了這麽幾個過程：感知，分析，決策。
而現在的人工智能做的是信息輸入，信息分析，輸出最優結果。
所以在信息處理上，人工智能跟人類看起來很像，但一旦扯上情感，扯上無序的東西時，人工智能和人類的區別就出來了。
人會為了所愛的人去死，現在的人工智能永遠不會。
這個時候再迴過頭看劉凡實現的算法，如果算法可以自己根據不斷輸入的數據去推導出各種函數的話，這個時候的行為模式在一定程度上模擬的就是：人從完全無知的嬰兒開始在不斷的成長中對世界有了越來越多的了解。
其實對人工智來說，所謂的算法也好，函數也好，規則也好，也許就是人類的生存法則。人這一輩子，不也是一個不斷了解生命的過程麽。
這章沒有結束^.^，請點擊下一頁繼續閱讀！
如果把人類成長的這個過程細化，有沒有可能就是在不斷的發現無數的規則呢？隻不過大腦處理了這些問題，我們自己都沒發現而已。
所以當算法可以自己去發現規則的時候，對於人工智能來說，等同於打開了另一扇大門。雖然這個方向也不一定就完全對，但從理論上來說很可能是更接近真正人工智能的大門。
但這個東西說說簡單，真要實現就太難了，就像章凱祥擁有強大的數學功底，也有了對應的猜想，但卻無從下手。如果劉凡沒有係統這變態的外掛，想要讓算法去自主挖掘函數對他來說可能這輩子都做不到。
當然，其實劉凡現在的算法距離理想中的狀態還有很大的距離，一方麵是函數推導的準確性和挖掘能力，都還有很大的空間，因為會受限於數據量和數據類別。就比如在這次的人臉識別之前，劉凡的數據關聯逆推算法一直都沒什麽突破性的進展。
雖然在以往的使用中確實如他之前構想的能實現無序數據利用，但之前的函數都是沒有突破算法底層的傳統數學框架的，這就讓這些函數是否是算法自己推導出來的這個問題有待商榷了。
但這次在人臉識別上的實驗，讓劉凡看到了突破，算法的自我推導似乎真的可行。
還有一個問題就是劉凡的算法現在隻能分析，不能決策。
他試過很多方法，都無法實現決策能力。
他慢慢意識到想要讓算法擁有決策能力，必須打破現有的底層算法原理。
但這並不影響劉凡目前的算法對今天到場的技術人員所造成的震撼，劉凡和章凱祥會有這樣的猜想，別人自然也可能有過這樣的猜想，隻不過沒有人能跨過技術難關罷了，因此當大家反應過來劉凡所呈現的東西如果是真的那意味著什麽的時候，所有人都很難再控製自己的情緒了。
而大家的震驚正是劉凡所期待的，當正麵剛gsct那一刻起，木龍科技就是一支站在戰場上準備攻城略地的軍隊了，已經沒有收斂鋒芒的必要了...