第103章 没有困难就制造困难 (第2/2页)

等到这个生成模型成功训练之后，孟繁岐便可以用它去对现在世面上的先进人脸识别算法发起针对性的挑战。

这些市面上的人脸算法，许多都基于传统的特征方式，就连刚刚孟繁岐回忆到的DeepFace都还没有发布。

原本，它们最多就只有94-95左右的水平，距离孟繁岐可以做到的99.6差了不少。

在这样的基础之上，它们还完全不具备辨别生成式虚假图像的能力。

孟繁岐可以随意地用各种虚假的人脸图片去欺骗这些算法，甚至可以针对某一些特定的面孔，去生成对应的人脸图像，并骗过基于这些算法的各种安检产品。

直接从安全性这个最根本的问题上彻底动摇对方的商用价值。

试想，既然现在市面上已经拥有这样任意生成虚构面孔的算法能力，而脸书的人脸识别技术竟然毫无对策，完全无法分辨。

这就带来了巨大的隐患，真假不辨，产品识别成功放行通过的，谁都不确定到底是什么鬼东西。

同时，这些产品的识别精确度，识别速度又都远远逊色于孟繁岐的技术产品。

在这样的情况之下，所有的甲方，尤其是注重安全性的政府机构，都会做出最为明智的选择。

而作为算法设计者的孟繁岐，当然非常清楚这样的生成策略会有什么问题和漏洞，生成出来的图像又有什么人类无法发现的规律。

孟繁岐的人脸识别算法，将会同时具有首次突破人类水平的精确度，数十倍于目前世界一流算法的检测速度，以及当下独一无二别无分号的伪造检测能力。

与此同时，对孟繁岐的新计划一无所知的脸书DeepFace团队，正在集体研究孟繁岐的论文和代码，完全不清楚自己将会遭遇什么。

“我们正在做的事情是首个将深度学习用于人脸识别的开创性工作，用到的数据规模也高达百万，如果这个时候替换掉如此多的算法组件，会不会耽误太久时间？” DeepFace四人组中，杨明是唯一的华国人，他对此稍微有所担忧。

“杨，现在孟的残差网络已经席卷了整个AI界，如果我们还是使用去年的8层网络，这真的可以称得上是首个将深度学习应用在人脸识别上的工作吗？”沃夫人如其名，工作上很有狼性。

在他看来，孟繁岐对深度学习的核心，网络结构本身已经做出了革命性的突破。

如果不采用这种新的技术，那么自己发布出去的文章又或者是代码，根本就只是昙花一现，几个月之后，一定到处都是基于孟繁岐残差技术的版本。

既然已经意识到了自己的不足，那就一定要修正，不能怕麻烦，也不能怕时间不够。

残差网络开源发布出来，就是几天前的事情，所有人都在同一条起跑线上。

没有什么可担忧的。

DeepFace团队已经在这个方向上努力了大半年，如今只是更换一些组件，迅速地将终版的实验迭代一下，这耽误不了太久。

这么久的技术积累，难道会别人随意赶超不成？

“杨，你不必担心，我们的主要步骤是检测->校正->再表达->分类验证，后面几个步骤都已经相当成熟了，只是现在有了更好的特征提取办法。”

泰戈曼也出言安慰杨明，他知道这个新加入脸书的小伙子急需一些成绩，“更换了方法之后，我们可以做得更好！”