计算机视觉简史：为了让机器学会“看”，人类到底有多努力(6)

这也是为什么，在网络数据受限的情况下，深度学习的资源就不够。
此外，神经网络的分层也是在不断进步的。
2005 年以前提出的人工神经网络只是一种浅层模型，只含有一层隐层节点，但这比人脑简化太多了，效果也就差得多。
而用深度置信网络解决来这个问题，可以构建更多层的模型，更接近人的视觉神经系统的结构。
不过随着时间的推移，深度置信模型（DBP）也有一些问题，包括计算量太大、样本量太大等等。卷积神经网络（CNN）又可以解决这个问题，它将每一层信息仅通过一个“卷积核”相连。
你可以理解两个平面之间，前者是需要每个点直接相连，现在只需要中间的一个点直接相连。
等于DBN需要计算机一次性看完整张图，全局对比；但CNN可以一步一步一块一块地对比小特征，和分布式系统的感觉有点像。
这样处理样本的速度就显著加快了。
据广证恒生在2019年的研究报告，美国国家标准与技术研究院（NIST）公布了全球权威人脸识别比赛（FRVT）最新报告，从前十名企业在千分之一的误报率下的识 别准确率来看，其平均能达到 99.69%，在千万分之一误报下的识别准确率超过 99%，意味着机器几乎可 以做到在 1000 万人的规模下准确识别每一个人。
而人脑记忆100个人的身份都有可能出错。

这几年，无论是安防中的人脸识别，还是高铁闸机上的人脸识别，抑或是证券在线开户、交易等，大家都开始自由地使用人脸作为个人识别的特征。
当技术不再困难的时候，在讨论伦理之前，创业公司们却首先迎来了商业化的难题。

艰难的商业化：合适的落地场景难找

其实，在2015年那一次机器识别准确率高于人眼之前，如今的AI四小龙已经成立了。
其中旷视科技成立最早——2011年，云从科技成立最晚——2015年。
旷视科技由三个年轻人正式创立，三位创始人是清华“姚班”毕业的印奇、唐文斌、杨沐。