第五十一章 动态特征逻辑理论（1/2）
原本已经开始疲惫的众人都不自觉的打起了精神，正常公司来参加这种提案的都是两个人，一个项目负责人，一个技术人员。
所以不管是常年游走于市场的项目经理还是穿着格子衬衫的技术人员，自然都对刘凡接下来将要说的内容充满了兴趣。
“我们的人脸识别技术之所以可以实现刚才大家所看到的场景运用，是基于我们提出的动态特征逻辑理论。”
刘凡这边开始解释，下面有人开始录音，有人开始录像，有人开始记笔记。
“我们现在主流的人脸识别技术的核心就是特征，不管是整体的几何特征还是局部特征，也不管是传统算法还是神经网络模拟，一切的根源就是抓取特征并对特征进行处理。但不管后续的处理方式是多么的动态亦或者多么的高维，我们抓取的特征本身是静态的。
这也就不可能避免很容易受到环境的影响。所以我们很早就在考虑是不是可以抓取动态特征而不是静态特征。再后来，我们意识到单纯的抓取动态特征依旧不够，如果能利用大数据挖掘出动态特征逻辑，那么不管环境如何影响，只要能搭建出一个足够庞大的动态特征逻辑模型，即便依靠非常模糊的影像资料也有可能实现人脸识别。
我简单举个例子。”
刘凡说着，将t点到后一页，“首先在座各位肯定都知道一个基础原理，那就是一叶一菩提。这个世界没有完全相同的两片树叶，同样也不存在两片树叶拥有同样的生长历程。
大家可以看t，这是我们第一次发现的动态特征逻辑，通过对这三千万个动态人脸进行不断的挖掘之后，计算机得出了意外的答案，人在转眼珠的时候，眼珠的转动与脸颊下方这个红点的位置所出现的肌肉变化存在函数关系，而不同的人之间，这种函数都是相同的，唯一的区别在于系数上。
具体的函数涉及到商业**所以我不在这里展示，我只做简单的类比，a的眼珠和脸颊函数关系是f（x）=y，b的函数关系是f（x）=11y，c的函数关系是f（x）=12y，以此类推，所以当视频抓取某一个人眼珠转动的变量x时，对应的函数结果是唯一的，而类似这样的动态函数我们目前在人脸上发现了26个，同时我们还在继续努力。
相信大家都可以理解，动态函数的优势是十分明显的，比如有罪犯把脸蒙上，但只要能看到他的眼睛，只要他的眼睛提供了一个变量x，那么就可以进行数个与眼睛相关的函数的计算，再或许他把眼睛也遮起来，但脸部某个部位的肌肉变化也有匹配的对应的函数，那么”
“你让算法推导算法！？”刘凡话说到一半，突然有个人拍案而起打断了他。
而当这个穿着黑色格子衬衫的人说出这话之后，场下立刻躁动起来。
他们刚才光顾着听刘凡说，都还没来得及意识到刘凡这个算法如果真的存在的话，对人工智能行业来说意味着什么。
现在所谓的深度学习算法，是能力的学习，举个稍显片面的例子，让计算机不停的学习乘法，慢慢的计算机的乘法计算速度就会越来越快。
用个更生活的例子来说，现在很多企业开始研发机器人，大家看到机器人与人互动，会觉得人工智能时代好像真的来了。但其实机器人跟人对话的过程中，我们简化掉深度学习的过程，其实该说什么都是某种程序设定下的优化答案。
比如女孩子跟机器人说我生气了，现在的智能机器人这个时候的思维模式是这样的，她说她生气了，根据女人生气的时候都是不讲理的这个原理，所以此时得出最优解，只管道歉，再给她发个红包。
但真正的人是怎么思考问题的呢？她真的生气了么？她为什么生气啊？那这样的情况下我该怎么做呢？不是什么大不了的事情那就道个歉吧
本章未完，请翻下一页继续阅读.........