人工智能应该是一种能够通过数据、技术、产品三者不断循环完成的滚雪球式闭环。以Google为例，它是通过数据来产生了搜索的技术，从而形成的一种产品，通过点击的转换最终又产生了数据，通过这种数据再次去学习并优化结果，而相比扫地机器人也许算不上人工智能产品，因为它并不能够通过数据和扫地的经验行为来优化自身算法而提升效率。

        人脸识别有两个比较重要的概念，即1:1和1:N。 1:1的应用于证明自己是自己的场景，你可以想象当你去机场过安检的时候，总有一个人拿着你的身份证对比，身份证里面是不是你本人。这种场景就是1:1的场景。人的肉眼识别精准度是在95%左右，而人的眼睛是有疲劳度的，所以机场安检人员需要在半个小时到一个小时之内换班一次。换岗的目的就是为了保持比较平均的识别的准确率。但是，在这种场景下，机器可以达到97%甚至是更高的准确率而且机器没有疲劳度的问题。 1:N的特点是动态和非配合，这是对于1:N而言也是非常重要的两个点，所谓的动态也就是识别的不是照片，不是图片，而是一个动态的视频流;非配合是指识别对象不用感知到摄像头的位置并配合完成识别工作，而地点，阴暗，光线，玻璃都会影响识别的准确性，所以1:N相对根据挑战性。

        在行业应用中，1:1更多是应用在金融、核身、信息安全领域，特点是精准安全。而1:N主要应用的方向是在商业、安防等。比如一个女士去商场买包包，店员不知道她是否是会员。如果引用机器视觉技术，不管店员换没换，当顾客进门的时候她的信息就被推送给店员完成精准的推荐，这就是机器视觉在商业领域VIP客户识别的典型应用。在安防方面的应用比如公共场所动态监控、缉拿逃犯、人员布控等。

        而无论是1:1还是1:N的场景中，都涉及几个比较重要的关键环节——人脸检测、质量判断、识别比对。不管是照片还是视频流，静态还是动态都要在画面中判断出人脸的位置，这便是人脸检测;第二点质量判断也就是让机器去判断是不是一张正面有效的照片，1:N的动态场景中更难一些，在动态过程中，抬头，低头，侧脸都是非配合的状态。因此质量判断的好坏直接影响最后的结果。根据每秒输出的25-30帧画面，机器就会思考哪些会达到机器识别的及格线，其中有一张达到了的时候就吐出来交由后台比对数据库以完成最后一步识别比对的工作。