因為，任何數(shù)據(jù)積累到一定程度，都會變成一個結(jié)果：數(shù)據(jù)量巨大。嗯，很多年前IT業(yè)內(nèi)曾經(jīng)批評我十六年前的老公司沒有大數(shù)據(jù)，有的只是數(shù)據(jù)量巨大，具體是哪家公司我就不多說了。

大數(shù)據(jù)到底是什么，這里不想多說，寫過的人太多，青潤這里只能說一句話：數(shù)據(jù)量大到一定程度的，并且經(jīng)過格式化規(guī)范化處理后可以用于分析、挖掘和各種計算使用的數(shù)據(jù)就是大數(shù)據(jù)。

那，結(jié)果呢，人工智能積累的數(shù)據(jù)需要幾個方面，我們用其中目前接觸相對較多的識別技術(shù)來講述一下會比較合適，了解青潤的人都知道，青潤再2005年第二次進入中科院做的就是人臉識別和行為分析方面的研究和產(chǎn)品。

識別，就需要考慮到下面幾點：

1、樣本數(shù)據(jù)的采集；

2、樣本數(shù)據(jù)的標定；

3、樣本數(shù)據(jù)的自我檢驗；

4、基于樣本數(shù)據(jù)的模型構(gòu)建；

5、構(gòu)建樣本的特征碼庫；

識別過程是這樣的：

6、進行目標數(shù)據(jù)采集；

7、基于模型構(gòu)建獲取的特征提取算法進行特征提取；

8、進行目標特征碼和樣本特征碼的對比，并根據(jù)對比的異或數(shù)據(jù)得到結(jié)果；

于是基本的過程結(jié)束了，下面是增值和演進過程：

9、采集新的數(shù)據(jù)，并進行同樣模型的特征提取，然后進行特征對比，獲得識別結(jié)果。

10、 隨著時間的演變，每一個被檢驗目標都會發(fā)生變化，人會從小孩變成成人然后變成老人，各種材料會衰變老化（比如一些重要設(shè)備的重要部件在發(fā)生重大事故時要檢測是不是原來的部件，是不是因為老化造成的，是不是被人為破損或者替換了的時候都需要這個），這時候，就產(chǎn)生了一種模型的演進算法，也可以稱之為疲勞算法。

11、 而為了確保目標的有效性，還有一種活體檢測技術(shù)也隨之而產(chǎn)生了，現(xiàn)在看到的各銀行和支付寶等做的讓你眨眨眼，扭扭頭，張張嘴的動作，就是為了活體檢測，但是，這其實是外行在做的活體檢測技術(shù)。2005年以前的人臉識別研究人員都知道，用眼球的反光點作為活體檢測是最有效的，而且是最不容易被破解的，或者說是無法破解的，而目前這些轉(zhuǎn)頭之類的動作只需要一張硅膠皮就可以被輕松破解掉。

隨著數(shù)據(jù)獲取的越來越多，原本的機器學習算法演進成了深度學習算法的過程，于是上面的流程也得到了改變，改變后的結(jié)果基本上都是這樣的：

1、樣本數(shù)據(jù)的采集；

2、樣本數(shù)據(jù)的標定，第二次循環(huán)到這里時將采用自動標定，根據(jù)計算的驗證結(jié)果改進標定算法；

3、樣本數(shù)據(jù)的自我檢驗；

4、基于樣本數(shù)據(jù)的模型構(gòu)建；

5、構(gòu)建樣本的特征碼庫；

6、自動抓取獲得網(wǎng)絡上的各種數(shù)據(jù)源樣本，或者基于自己的推演得到新的數(shù)據(jù)樣本，并基于數(shù)據(jù)源的數(shù)據(jù)完成新的模型采集過程，然后不斷自己重復上面2-6的過程；

識別過程是這樣的：

7、進行目標數(shù)據(jù)采集；

8、基于模型構(gòu)建獲取的特征提取算法進行特征提??；

9、進行目標特征碼和樣本特征碼的對比，并根據(jù)對比的異或數(shù)據(jù)得到結(jié)果；

于是基本的過程結(jié)束了，而很多新入行的所謂模式識別程序員不了解過去對目標特征的驗證技術(shù)，于是只能考慮看上去似乎更為簡單的活體驗證手段或者他們自認為更好的演進手段，于是形成了下面的方式：

10、 采集新的數(shù)據(jù)，并進行同樣模型的特征提取，然后進行特征對比，獲得識別結(jié)果。

11、 而大部分公司其實不懂得需要設(shè)計疲勞算法，因為他們的數(shù)據(jù)太新，還沒有到需要考慮疲勞衰變問題的階段，這對于他們來說，都是未來模型需要被再次重建的必然，同樣較好的疲勞算法也是無法從opencv上直接獲得的，這也在一定程度上證明了，他們還沒有到大數(shù)據(jù)的層面，僅僅是單一層面的數(shù)據(jù)量巨大而已；

12、 而為了確保目標的有效性，還有一種活體檢測技術(shù)也隨之而產(chǎn)生了，現(xiàn)在看到的各銀行和支付寶等做的讓你眨眨眼，扭扭頭，張張嘴的動作，就是為了活體檢測；

13、 11-12的過程采用了更多的手工標定，因為他們不知道如何設(shè)計出更好的機器標定算法，或者說，最好的標定算法他們無法從opencv上獲得，只能采用這種原始的手工標定方式。

據(jù)青潤得到的信息，某個某年剛剛拿到十多億美元的某人工智能公司，某一段時間內(nèi)的人工標定費用是以千萬投入來計算的，具體是哪家公司就不方便明說了。

隨著深度學習的應用，數(shù)據(jù)量越大，就越不是負擔，而是精度更高的算法模型的實現(xiàn)過程，因此，大數(shù)據(jù)已經(jīng)成為人工智能的必然導向結(jié)果，而且大數(shù)據(jù)的有效數(shù)據(jù)總量越大，就意味著結(jié)果的精度越高。

當然，這種結(jié)果精度越高的有效數(shù)據(jù)總量，一定是有一定衡量方式的，絕不是什么數(shù)據(jù)拿過來都可以用的，這一點必須區(qū)分，很多公司為了盲目吹自己是大數(shù)據(jù)而不加區(qū)分的片面強調(diào)自己的數(shù)據(jù)量巨大，這是不對的，也是一種錯誤的導向方式，換句話說，除了蹭熱點，并沒有其他任何價值，這也是需要技術(shù)人員也包括投資機構(gòu)應該看明白的地方。