iPhone X：开机功能的一小步，人工智能的一大步

2017-12-27 AI起跑线 海豚学研社海豚学研社

海豚学研社

本文转载自公众号：AI起跑线

海豚小号推荐关注

缔造了谷歌之猫和Alpha狗等AI神话，并掀起了第三次人工智能发展热潮的“神经元网络”和“深度学习”技术，最早源自于一个很原始的问题：

如何让机器识别邮政编码。

这项研究开始于1989年，当时开发的一种叫做“卷积神经网络” （Convoluted Neural Networks，简称CNN）技术，被认为是“深度学习”的起源。

一位叫Yann Lecun科学家，用美国邮政系统提供的近万个手写数字的样本来培训神经元网络系统，培训好的系统在独立的测试样本中，错误率只有 5%。之后，他进一步运用 CNN技术，开发出商业软件用于读取银行支票上的手写数字，这个支票识别系统在九十年代末占据了美国接近20%的市场。

尽管深度学习早在80年代末已经登场，但之后一直没有得到实际应用，一个很大的原因就是：开展机器学习，需要数量庞大的训练用数据，而在当时的技术环境下，这样的数据几乎不存在。此外，“过拟合”这一深度学习特有的问题也没有得到有效解决，深度学习一度归于沉寂。（关于“过拟合”，我们找时间单讲。）

转机发生在2012年。

斯坦福大学的“ImageNet”每年会举办计算机视觉竞赛“ILSVRC”（ImageNet Large Scale Visual Recognition Competition）。在这个竞赛中，主办方会从约200个类别的海量图形库中选出图形，让计算机识别图形里的东西是什么，出错率最低者获得竞赛的胜利。

在2012年的比赛中，多伦多大学教授Geoffrey Hinton率领的团队“SUPERVISION”以压倒性的优势获得冠军——他们在出错率上和第二名拉开了多达10%的差距。

他们使用的技术，就是深度学习。

以前没有使用深度学习技术时，ILSVRC竞赛的出错率水平大概在26%左右，SUPERVISION使用深度学习后，出错率大幅降低到了17%的水平。

Geoffrey Hinton既是一位认知心理学家，也是神经元网络技术的权威。他和他团队取得的成果让人工智能学者和机器学习开发工程师再度亢奋。

此后，不仅在图像识别方面，在各种类型的识别领域，深度学习技术都取得了令人瞩目的成果。

在最新发售的iPhone X上，苹果公司就首次使用了基于AI 仿生芯片的Face ID功能。Face ID和传统的指纹或脸部识别技术有本质不同，它通过神经元网络进行不断学习优化，来提升识别成功率和用户使用体验。

苹果使用了1,000,000,000 张照片来训练这个神经元网络系统，Face ID因此“认识”了足够多的面孔，以确保以后不会被照片或模具欺骗。

同时，利用AI 单元，Face ID可以持续地学习用户脸部的长相和表情。在完成首次人脸信息的采集和录入后，随着时间的推移，即使你戴眼镜了，开始长了胡子等，Face ID 仍然能继续认出你，并不断根据新的数据来校准识别模型，以保证识别正确率。

经苹果公司测试，Face ID的失败率仅为1/1000000。

从这个意义上讲，iPhone X的Face ID已进入“AI识别”领域，而非传统的“模式识别”。正可谓——

开机功能的一小步，背后，其实是人工智能的一大步。

（什么是模式识别？它和AI识别有什么区别？我们下回来分解。）