一家號稱不燒錢的AI國內創業公司：人臉識別市場今年定將爆發

年初，我們發布的《2017年全球十大突破性技術》中有一項頗具科幻感的技術「刷臉支付」，讓支付變成一個十分方便的行為。而在「刷臉」的背後則是人臉識別技術在過去幾年飛速的發展。

同樣，在「人工智慧」概念鋪天蓋地的向我們襲來的當下，各行各業都在積極向「智能」二字靠攏，唯恐成為新技術革命下的時代棄兒。而在這一競賽中，憑藉著龐大的數據積累和雄厚資金實力，金融業無疑走在了變革的前列，助力銀行技術升級的創業公司也已經遍地開花。

但國內初創公司雲從科技將這兩方面結合在一起，為銀行類的企業客戶提供精準的人臉識別技術，並在短短的幾年時間之內將業務拓展到了全國大部分地區，也正在試圖將此過程中積累的技術優勢遷移到了其它行業。

這家公司剛剛入選國家發改委的「互聯網+」重大工程，與騰訊、百度、科大訊飛一同承建人工智慧公共服務平台，並且不久將完成B輪融資。近日，DT君採訪了雲從科技的創始人周曦博士，討論了雲從科技的現狀與發展：

圖丨雲從科技創始人周曦

首先，是否方便談一下雲從科技的融資情況？

我們融過了天使輪和 A 輪，出於資源整合的考慮，A 輪接受的是個人投資，但在接下來的 B 輪會接受 VC 的投資。因為我們在今年會主攻安防領域，要做一些標杆性的產品，所以融資解決的主要是賬期的問題。

脫胎於中科院的雲從科技究竟有著怎樣的創辦歷程？現階段的發展概況如何？

我們本來是中科院的公司，之前在美國做得不錯，拿了好多冠軍，在2011年回到國內，與UIUC、新加坡國立大學建立了一個國際聯合研究中心，主要是負責把圖像識別特別人臉識別技術儘快落地。因為我們的起點比較高，所以從開始做以後發展速度就比較快，到了2013年的時候就已經是中科院體系里比較出色的了。

2014年的時候，雖然沒成立公司，但已經幫助企業做了千萬元人民幣級別的服務了，到了2015年的時候就成立了中科雲叢。

按照人臉識別在各行各業的不同情況來看，我們覺得，有必要選一些關鍵的行業先做起來，所以2015年開始我們首先選的是銀行。銀行也是比較嚴格的，每次都要進行benchmark（基準）測試，而我們花了一年多的時間，做到了銀行領域人臉識別的第一大供應商。

然後，從2016年開始，我們就開始進入公安領域，過了半年多的時間，現在已經在二十多個省都已經上線了，所以還是蠻快的。

再接下來的話，我們就可能會做更多行業的拓展。

像銀行這種金融行業和安防領域，對於初創公司來說，進入的門檻如何？

進入的難度應該是比較高的，但我們之所以選這個行業是跟我們背景有關係。

第一個原因就是國家對高科技的重視。以四大行為代表的大銀行在以前是不太可能選擇新成立的供應商。但事實上，他們也還是很有創新思維的，最終選擇的還是技術最好的公司，而不是歷史悠久的公司。

第二個原因就是我們本身有國家隊背景。我們是中科院的公司，同時我們也是國標制定單位，和四大行共同建有聯合實驗室。所以，我們來做的話比較優勢，而普通的純商業化的創業公司就很難進入。

在提高人臉識別的性能上面，雲從科技是如何做的？

實際上人臉識別的研究已經有幾十年的歷史了，國內在十幾年前就有專門做人臉識別的創業公司，但這個技術在比較高精尖的行業里距離實際應用還很遠。是在2013、2014年以後深度學習、大數據、GPU等發展之後，才使得整體的識別率有了突飛猛進的提升。

首先是數據的問題，以前人臉識別的數據量是不夠的，無法建立起一個大的模型。而現在所講的大數據又沒有嚴格的定義，像我們公司有幾億個參數，所需要匹配的也是這一數量級別的數據。

第二個問題，這些數據是什麼樣的數據？像網上的圖片和攝像頭所拍攝的人臉圖像是不能用來做人臉識別研究的，因為人臉識別是要研究同一個人為什麼會有不一樣的時候，而不同的人為什麼有的時候又長的一樣。正所謂人生百態，一個人從小到大、從光線好到不好、從近到遠有不同的角度。

所以，要有同一個人在不同場景下的照片，以及不同人在同樣場景下照片，才能把這個這個關係理順出來，而隨便拍的照片是沒有辦法用的。如果再要求嚴格一點的話，最好是資料庫和實際中場景有一定的一致性。

GIF/38K

以公安為例，就是身份證證件照和攝像頭所拍攝的照片的比對，但由於這些都屬於涉密信息，所以就很難拿到了。如果我們要求再高一點，因為我們研究的是同一個人在不同的場景和不同的人在同一場景，那如何定義同一場景就成了一個問題。而如果要知道一張圖片的光線、角度、遮擋表情這些東西的話，這就更難上加難。

那麼我們是怎麼做的呢？從2011年開始做了一個全球首創的移動可拆卸毫秒級同步人臉識別陣列，就是每5度一個、一共91個高速攝像頭的硬體系統。我們在中科院花了兩年的時間，收集了有幾千萬張人臉圖片的結構化數據。

結構化數據雖然談不上是大數據，但很重要。就好比即便社會是最好的大學，但小孩子還是要接受學校的結構化知識體系的道理。它解決的是分析出影響不同圖片的各種具體因素。

而非結構化數據部分則是我們與公安部、司法部門和民航總局合作，合法合規的拿到的真實場景中的資料數據。這一部分就相當於AlphaGo學習的幾十萬冊棋譜。

最後一部分是更為泛泛的非結構化數據，由於不具有涉密性質，所以就比較好處理了。像我們最近在研究的對抗網路就是可以生成人臉數據的。可對於同一個人在不同的場景和不同的人在同一場景下的人臉數據，仍是需要進一步的條件限制的。

強化學習在機器下圍棋方面應用很深入，那在人臉識別上是不是也有應用呢？

目前的話，強化學習在下圍棋方面還是很火熱的，但對於人臉識別大家就不怎麼應用，因為這並不是一種隨機策略的序列。相對來講下圍棋是一個推測的過程，就比較適合應用強化學習。

圖丨Google的演算法已經可以將低解析度的照片轉換成高解析度的照片

舉個例子來解釋這一問題，Google最近搞了一個超解析度的技術，即降低解析度圖片轉化為高解析度圖片，結果還不錯。雖然這一技術已經搞了幾十年了，但原來的做法是在已知高解析度和對應低解析度圖片的情況下將每一個像素點一一對應，如果再出現相似的像素點，那就可以將對應的高解析度的圖片中的像素點拼湊起來，也就實現了超解析度的轉化過程。

但這一過程中拼湊是一個很關鍵的步驟，失敗的概率很高。

而這一關聯拼湊的過程實際包含有推測的成分在裡面，即實現了信息量上的擴充，照此方法極端來講，一個像素點都可以擴充為一張人臉的圖像，但從這種推測方法做出的圖像並不具有法律效應。

同時，相比於人類的推測能力，模式識別要差很多。就像在文學創作中個人的想像力可以做到見微知著、舉一反三，用想像力填補上整部作品，而機器在數據僅僅缺失10%的情況下都不能夠「腦補」完整。

人臉識別在金融安防領域的應用是如何確保安全性的？

其實人民銀行規定所有重要的金融行為都需要雙重或多重認證的。比如去ATM機取款就需要雙重認證，第一需要插卡；第二需要輸入密碼。在電腦上操作需要先插個優盾，然後再輸入密碼，這也是雙重認證。而手機則比較特殊，它的第一重認證是默認你拿到了自己的手機，對自己的手機有支配權，而後的第二重認證才是輸入密碼。

所以，多重認證是固定的，人臉識別只是取代其中的一個認證過程。而對我們來講，人民銀行對這一方面也是逐步放開的，它首先會根據這種關鍵金融機構的反饋來決定監管政策放開的程度。比如我們做的機器認證要比櫃員直觀認證要準確得多，這種情況下對銀行是沒有什麼風險的，也就會逐步推廣這一做法。

然後，第二步，如果要做金融支付，就從小額開始做起。比如我們給中國建設銀行做了刷臉支付的機器，但是他先是放在校園裡面，學生進行刷臉購物就很方便了。即便出錯損失也很小。

然後，再深入一步，比如我們給農行做ATM機，刷臉取代的是卡而不是取代密碼，依然保持雙重認證，遇到大額取款還會再多加兩層認證。所以這是一個漸進式的過程。

中國目前在刷臉支付上的領先是不是和整個先進的支付系統有關？

我覺得，這就是一個彎道超車，美國依靠手寫簽字的信用體系已經非常成熟了，大眾也都習慣了，而這並沒有好壞之分。而中國是因為沒有成熟的一套體系，所以領先的技術出現的時候就會迅速推廣。像微信支付、支付寶支付已經超過美國了。

談到像人臉識別這類的生物認證。中國在整個技術上面的話，很多事還不如美國，比如晶元差的就比較遠。但是在純軟體尤其人工智慧這一技術上面，雙方倒是難分伯仲，因為硬體工藝是個大體系，並非一朝一夕可成，但軟體就不一樣了。

另外，中國的數據明顯比美國多，在法律上的限制也相對較少。總結就是中國需求大、綜合數據多、人才結構好，很容易形成爆髮式增長。然後從產業應用上面來說，明顯有彎道超車的機會，再加上政府的支持，那中國就上領先了。

圖丨雲從的部分解決方案

雲從科技在銀行安防領域的表現比較突出，那是否會推進To C市場？

確實，在這塊上我們做的更好一些，不管是在技術上面，還是在行業的應用上面。這個行業有三個特點，第一個是性能要好；第二個是服務要好；第三個是價錢不敏感，雲從在這些方面優勢比較明顯。針對銀行，雲從提供了40多種的解決方案，在10個城市有銷售服務中心，始終面向B端市場。

而現在人臉識別在C端市場的3點要求：性能好、使用方便、性價比高在目前來講難以全部滿足。比如現在要在手機上搭載人臉識別技術，那有可能不僅要查看說明書，還要有專人進行培訓，這自然是很難以普及。而高水平的性能要求也必然會使得價格高企，高性價比也就無從談起。

而在B端市場，在整體需求沒有那麼大的情況下，價格就不是最先考慮的要素。舉例來講，公安系統圖像採集的點位如果賣到2萬塊錢一個的話，那一百萬個點就是300億的銷售量，現在顯然很難達到這樣的規模，而這也是ASIC（定製集成電路）難以奏效的原因，只能等待C端市場成熟之後在數量上的鋪開。

另外，現在人臉識別技術進步太快，演算法在不停更新，硬體一出來就落伍了。只有等到相對穩定的時候，C端市場成熟，自然硬體成本會降低，這也是產業發展的規律。

所以，目前來講，B端市場是最好的選擇，再過一兩年，隨著技術的飛躍式發展，就可以做C端市場了。

而雲從科技在這個領域的優勢已經是一個客觀結果了，通過一年多的時間我們就已經是銀行系統最大的供應商了，幾個月的時間拓展到二十多個省，這只是符合市場規律的結果。

在未來3-5年技術成熟後，雲從科技有沒有可能進軍其它行業？

我們都是按照市場規律來辦事的，接下來在賓館、社區、商業智能這些領域都會自然而然的鋪開。其實這也是一回事，我們只是做一個人工智慧平台，依靠雲端為客戶提供行業解決方案，比如為銀行和公安系統提供的就是私有雲，而將來賓館、社區的場景應用更多的可能就會是公有雲。這樣各行各業就都可以做起來了。

而我們由於抓住了金融這樣的核心行業，對於做其他行業又有一個相互促進作用。比如我們給銀行做VIP人臉識別效果很好之後，他們就會把整個客戶營銷系統都交給我們做。

進一步來講的話，我們還可以分析出客戶包括住房、出行等一些外部數據，從而分析出他的經濟狀況，依照變化推斷出他的財務趨勢。甚至在精準分析的基礎上，銀行會有可能把貸款業務直接交給我們這樣的AI公司來做。

與競爭對手相比，雲從科技從盈利路徑上來講有什麼不同？

雲從科技肯定可以在2017年實現盈利，因為我們開始做的都是利潤較高的行業。而且我們按照合理的商業邏輯來做事，即便是收集大數據也不會靠燒錢的方法來收集。雲從的不同之處在於，我們是要在A股上市的，當然要考慮每股收益的問題，自然不會大肆的燒錢。

人工智慧行業大規模盈利的機會已經到了嗎？

人臉識別是到了，但對於廣義的人工智慧來講的話，大部分的人還沒有盈利。今天的人工智慧就像1998年、1999年的互聯網一樣，投資人是看對了大趨勢的，未來一定會出現偉大的公司，包括像無人駕駛，一定是要先燒幾年錢，但大方向是對的。而人臉識別今年就會爆發。

為什麼雲從科技會選擇做重資產的全產業鏈？

做事情沒有一定之規，一定是要根據企業情況、行業情況來分析的。而人工智慧的情況是只要拆分開來就沒有能搞得好的。因為與標準化的晶元不一樣的是人工智慧所涉及的軟硬體都還處於定製階段，變動性很大。只有一家公司承攬全部的產業鏈才能給用戶最好的產品體驗。

恰巧我們所著手的金融行業有足夠的體量可以支撐起我們做全產業鏈。在這一過程中所遇到的三個問題：成本問題、管理問題和陌生領域不熟識的問題，我們都很好的解決了。

首先，我們有很強的融資能力；其次，找來了管理能力非常強的合伙人；最後，先抓核心技術和客戶這個關鍵環節，其餘通過供應鏈補齊。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！