正如Yitu Technology公司的罗毅所说，“由于算法性能的不断加深，安全行业带来的变化和应用场景呈几何级增长。过去，由于算法的准确性不足，无法实现某些情况下的应用。随着算法技术的深入，可以应用更多的方案。 “正是由于算法的进步，生物识别技术的识别能力不断提高，其应用领域也将不断扩大。当前，深度学习在人工智能中的操作仅是两个部分。一种是通过大量数据样本训练神经网络，第二种是在训练后在系统中进行推理。在推理过程中，我们不断积累一些数据，然后我们继续修改神经网络以进一步改善结果。生物识别技术为人工智能提供了大数据源。生物识别技术使用高科技手段来利用人体的固有生理特征（例如指纹，人脸，虹膜等）以及行为特征（包括手写，语音，步态等）来进行身份验证，这是身份识别的前提这是信息收集。百度深度研究院的专家指出，没有数据收集，数据分类，研究和分析，人工智能是不可能谈论的。因此，可以说生物识别技术是生物识别和感知的重要载体，通过生物识别的数据收集是人工智能应用的重要组成部分。随着数据库的不断积累和算法的进一步优化，人工智能将扩展到更多的应用领域，并带动多个行业的发展。此外，业界一直有质疑算法功能的陈述，他们都认为算法最终将达到顶峰，并且在未来的发展中将出现瓶颈期。但是事实证明，这种说法是站不住脚的。从AlphaGo和Alphazero之间的比较来看，该算法的未来是不可估量的。随着数据库的积累，算法将继续得到优化。人工智能算法的发展扩展了生物识别技术的应用领域-正如伊图技术公司的罗毅所说，``正是由于算法性能的不断深化，安全行业带来的变化和应用场景才呈现出几何形状。生长。过去，由于算法的准确性不足，无法实现某些情况下的应用。随着算法技术的深入，可以应用更多的方案。 “正是由于算法的进步，生物识别技术的识别能力不断提高，其应用领域也将不断扩大。以人脸识别为例，早期人脸识别探索主要依靠一些人工校准的几何特征（例如眼镜，嘴巴和其他器官的位置和距离）进行分类，而实际成果很少。目前，随着算法性能的不断提高，国内外大多数人脸识别团队的算法识别准确率（在LFW数据集上）均超过99％。其中包括百度，谷歌和腾讯等互联网巨头，以及安全监控。现场硬件制造商海康威视，大华股份，天地伟业等，以及人工智能初创企业一图科技，云天力飞和云聪科技等，这些团队的成果得益于深度学习算法。毫无疑问，深度学习已成为人脸识别领域最主流的研究方向。其中，数据已成为改善面部识别算法性能的关键因素。许多应用程序更加重视在低误报情况下的识别性能。例如，人脸支付需要将错误接受率控制在0.00001以内，因此未来的算法改进也将集中在提高低误报率下的识别率上。为了进行安全监视，可能需要将其控制在0.00000001之内（例如数十万人的注册表）。随着技术的不断进步，人脸识别必将更多地进入每个人的日常生活。例如，越来越多的银行和经纪人将人脸识别用于身份验证，这大大提高了工作效率；基于人脸识别的电子社会保障集合