Page 124 - 数码世界11n

迭代，声纹识别和虹膜识别技术的应用瓶颈正在被突破。
“2017 年 X-Vector 系统的提出，给声纹识别的应用带来很
大的提升。”声扬科技首席科学家张伟彬介绍说，特别是近两年，
市场也对于声纹识别有了强烈的需求。
去年 10 月，我国央行发布了声纹识别技术在移动金融上的应
用标准。张伟彬说，这等于是在国家层面、政策层面承认声纹识别
技术已经达到大规模商业应用的门槛，可以满足金融等场景对高安
全语音技术应用的需求。
“另外，近几年国内非接触式犯罪比较猖獗，而声纹识别技术
可远程通过声音识别身份，这对此类犯罪案件的破获帮助极大。”
张伟彬说道，“所以我们认为声纹识别将是一个新风口。”
不过，声纹识别的应用前路并非坦途。简单的录音播放，就可
能“攻击”声纹识别。此外，声音从不同的麦克风进入电子系统导
致的跨信道差异、海量数据库中的声纹比对等都是声纹识别应用过
程中需要面对的难题。
虹膜识别的发展情况与声纹识别并不相同。
早在 2015 年，富士通就将虹膜识别技术应用于智能手机当中，
随后三星也将虹膜识别引入到其旗舰机 Note7 当中。不过，随着
人脸识别以及屏下指纹的应用，使用并不便利的虹膜识别在手机市
场的应用遇冷。
但虹膜识别的优势非常明显。中科院深圳先进技术研究院集成
所研究员陈巍介绍说，相对于其他生物识别技术来说，人的虹膜有
226 个生物特征点，具有极高的唯一性，即便是拥有一样面容的双
胞胎，其虹膜也不一样，因此虹膜识别具有极高的安全性。另外，
有研究数据显示，虹膜识别的交叉错误率仅有 0.00077%，远低于
声纹、指纹、掌纹及人脸识别，具有极高的稳定性、安全性和实用性。
由炫到实 人工智能转型还要扎根产业需求
从唱歌跳舞、泼墨挥毫到操作锅炉、管控航班……2019 年，
寻找实际的落地场景成为人工智能的核心要义。少了几分炫酷，多
了几分低调，人工智能更接地气了。
在刚刚过去的 2019 杭州云栖大会上，“产业”成为高频词，
不同于熟悉的衣食住行领域，航空、钢铁、石化、水泥……从大到
小，从老到新，和产业的深度融合已经成为人工智能技术落地的重
要场景。与会专家普遍谈到，产业 AI 将会创造巨大的新价值，甚
至会指引人工智能领域发展的方向。
不能适应需求的 AI 就像废铁一块
产业 AI，顾名思义是在具体的一个个产业里发挥作用的 AI 技
术和产品，和我们常说的 AI 赋能传统行业相似。但与 AI 赋能行业
不同的是，AI 赋能传统行业往往设想的是以 AI 为主体，来实现某
个领域的固有功能。而产业 AI，则要求能够与传统产业无缝结合，
推助产业核心部类向前发展，并且深度的产业 AI 必然指向复杂的
不仅如此，虹膜还具有非常强的生物活性，比如瞳孔的大小会
随光线强弱变化自我调节，出现每秒可达十余次的无意识瞳孔缩放，
这也使得虹膜会发生每秒十余次的震颤；此外，在人体脑死亡、处
于深度昏迷状态或眼球组织脱离人体时，虹膜组织即完全收缩，出
现散瞳现象。这些特性使得虹膜具有极高的防伪性。
“传统虹膜成像系统约束过多、系统用户体验差，加之虹膜识
别的成本相对较高，这都限制了虹膜识别的应用。”陈巍说，不过，
随着技术的进步，远距离、大视场、大景深、非配合或少配合的虹
膜成像系统是发展趋势。
多生物识别技术融合将成趋势
此前换脸软件 ZAO 引发轩然大波，让人担忧一旦人脸信息被
攫取，会引发因脸部信息盗刷产生的恶劣影响。在此次高峰论坛上，
专家表示，通过多生物识别技术的融合，可以规避类似事件的发生。
“由于不同的生物识别技术在精度、安全性、稳定性、识别速
度、便捷性、成本、功耗等众多方面有着明显的差异，因此在不同
的应用领域中，也会有着各自不同的特点和优劣势。”芯智讯创始
人杨健表示，选择不同生物识别技术融合应用，有望很好地平衡以
上问题。
Technavio 的数据显示，2015 年全球多重识别市场的规模为
42.2 亿美元，预计未来 5 年将会保持 20% 以上的增长速度。目前，
在智能手机、智能门锁、安防、金融领域，已经出现了多生物识别
技术融合应用。
在场专家表示，生物识别技术应用不再仅仅局限于人的身份认
证，已经开始应用于其他物种的识别，比如猪脸识别、通过虹膜识
别对宠物进行身份识别等。
（摘自中国科学报）
行业限制和真实需求。
探迹科技 CEO 黎展曾表示，要想解决产业问题，AI 必须具备
三方面基础能力。一是数据规整能力，AI 必须综合各方面信息和
实时变化的数据流，随时做出统领全局的最优解。二是简单易用体
验，想做产业 AI，必须是人机协同的工作模式，但是人机如何协
同，如何在缩减人的工作时间、提高人的工作效率之外，不会产生
大量学习成本和适应成本是关键问题。三是持续进化能力，如果产
业 AI 不能进化，工作需求一旦变更，AI 就变成废铁一块，那确实
不要也罢。
要实现对于现实需求的灵活应对，就需要对 AI 模型进行大量
训练，而标准化数据是训练的基础。产业是数据聚集的富矿，阿里
云智能计算平台事业部总经理、高级研究员贾扬清表示，由于深度
学习的发展，更多的数据往往能带来更好的性能，“见多识广这句
话在深度学习领域一点都不假。”更为核心的是，数据有着非常高
...123