湯曉鷗，商湯科技創(chuàng)始人，中國科學院深圳先進技術研究院副院長、集成所多媒體中心主任、香港中文大學教授、工程學院副院長，麻省理工學院博士，其發(fā)明的人臉識別技術（Gaussian Face/Deep ID）成為世界上第一個超過人眼識別能力的計算機算法。
 湯曉鷗，商湯科技創(chuàng)始人，中國科學院深圳先進技術研究院副院長、集成所多媒體中心主任、香港中文大學教授、工程學院副院長，麻省理工學院博士，其發(fā)明的人臉識別技術（Gaussian Face/Deep ID）成為世界上第一個超過人眼識別能力的計算機算法。 大家中午好！非常榮幸能夠與這么多業(yè)界精英同臺演講。 三年前，我常常跟投資人、跟一些企業(yè)家講人工智能、講深度學習，但那個時候大家還不理解，也都不太關心。后來，谷歌推出了阿爾法狗，人工智能就火了。除了受阿爾法狗事件的影響之外，也得益于美國五大人工智能巨頭形成的聯(lián)盟。中國在雙創(chuàng)活動中也選擇了兩家人工智能的領軍企業(yè)，一家是百度，另外一家是商湯，這是兩家中國智能的代表。所以，張維總提到了高估值的商湯，我認為并不高，應該是低估值的商湯。 但是，現(xiàn)在大家都在講人工智能，給我的感覺是，人工智能在中國有點過熱了，所以我今天想為大家潑潑冷水。 一、人工智能的作用是有限的 人工智能是什么呢？應該說，它跟A股很像。如果說上海是中國的A股市場所在地，那么三年前，人工智能相當于A股市場的三千點以下，沒有人買。而今年，這個指數(shù)飆到了六千點。在這種情況下，大家是買還是不買呢？ 有的時候，我們會把一些事看得太過神奇。這與彭劍鋒教授所講到互聯(lián)網(wǎng)的發(fā)展是同樣的道理，人工智能也不過是一個輔助性的工具，并不是事情的全部。這個工具本身并不能產(chǎn)生獨立的價值，而一定是在跟各個行業(yè)相結合以后，為各個行業(yè)生產(chǎn)效率的提升來服務的。我認為，飯要自己親自吃，廁所也要自己親自上，鍛煉身體也一定要親自去。我們不能過于依賴人工智能，不能把什么事都交給它，它的作用畢竟還是很有限的。 十年前，我的實驗室做出了人臉識別系統(tǒng)，里面涉及到一些圖像處理、特效處理、自動分割以及交互等內容，也越來越好玩。 圖像處理源于2008年的北京霧霾。當時正在召開奧運會，因為霧霾的原因，新聞圖片發(fā)出去會令人感到尷尬。所以，我們定制了一些功能，用了一些算法，可以把圖像里的霧去掉。我們這次會議的地點在三亞，在這樣的碧海藍天之間，這個技術是用不到的。但今天的題目是迷霧航行，雖然我們不再需要去除新聞圖片中的霧霾了，但就目前大家對人工智能的認識來看，我覺得還是把認識的“霧”去掉，然后航向才能明確。 那么，在人工智能方面怎么去霧，怎樣才能真正踏踏實實地做點事呢？ 我們知道，霧的濃度和距離是成比的。所以在新聞圖片中，我們先是把三維算出來，然后把霧去掉，并且還能把背景模糊化。最后，一張非常糟糕的照片被我們做出了單反的效果。這一技術所形成的文章得到了2009年的最佳論文獎，我還是蠻驕傲的。但是，這一技術的產(chǎn)生，是在2011年以前，有我們十幾年的積累做基礎，也是在深度學習這個算法產(chǎn)生之前的事。我想說的是，和所謂的人工智能一樣，這些技術都不是一夜之間發(fā)生的，而是一個長期艱苦積累的過程。并且是我們所積累的幾百項工作中比較出色的部分。 二、人工智能與深度學習 1、人工智能“簡史”
目前，人工智能目前發(fā)展到了什么程度呢？根據(jù)我二十年來做的工作，我總結一下人工智能發(fā)展的簡單歷程。 在國際范圍內，人工智能最早誕生于1956年。從那以后，人工智能的發(fā)展勢頭不斷起起落落，也曾喧囂，但最終都歸于平靜，并沒有真正發(fā)掘出對人類社會生活有益的功能。但是在2011年，誕生于2006年的“深度學習”的算法產(chǎn)生了效用。從那時開始，人工智能開始具體應用于很多的單向領域或者說具體的行業(yè)，并且開始超越了人的水平。 對于人工智能的發(fā)展，幾個主要的“玩家”起到了決定性的推動作用。在軟件方面，谷歌和Facebook進行了大量的投入，很多創(chuàng)新都是從這兩家公司產(chǎn)生的。為什么是它們？因為它們有大量的數(shù)據(jù)要處理，它們有剛性的需求。同時，它們也有大量的資金投入。谷歌去年一年在人工智能領域的研發(fā)投入是120億美金。阿爾法狗幾次挑戰(zhàn)李世石，還有相應的宣傳，都是大量投入的結果，并不是簡單的炒作就能夠達成的。同時，F(xiàn)acebook也在這一領域做出了大量的投入。 在硬件方面，包括深度學習的算法、計算平臺幾乎都是在Spotify的GPU上做起來的，它們相當于取代了當年vpail的組合。
2、深度學習引擎
如果說人工智能是一條紅線，那么，深度學習在某種意義上來說就是這個紅線的引擎，而大數(shù)據(jù)就是它的原料。目前，人工智能的大部分技術，都是由深度學習算法來支撐的。 深度學習發(fā)展出來的時間很短。在2011年，它跟微軟進行了合作，在語音識別技術上取得了重大突破。當時，微軟首先推出的是應用方面的驅動。在那以后，因為有了多年大數(shù)據(jù)的積累，又組織了更多在語音識別方面有相當實力的人，所以就有了更加重大的突破，相當于在一年之內做了十年的事。
3、在垂直領域落地
我們從原來人腦設計參數(shù)的人工智能轉變?yōu)橛纱髷?shù)據(jù)驅動的人工智能，實際上是在某些領域取得的技術突破，主要是在某個特定的領域超過了人。比如說，最早用深度學習做出來的語音識別系統(tǒng)大獲成功。在人臉識別、圖像分類、阿爾法狗、自動駕駛、醫(yī)療技術等幾個方面都有著很大程度的突破。這些學術方面的突破，使計算機超越了人類以后，就相當于在垂直領域邁過了一道檻。而這道檻之后，人工智能技術終于可以落地了，終于可以替換一些人工成本，來幫助產(chǎn)業(yè)提高效率了。 所以，我們看到的人工智能涉及到了很多具體的領域，有的與產(chǎn)業(yè)結合得很好，有的則剛剛開始，當然也有一些完全是出于炒作?？傊菂⒉畈积R，或者說是各有千秋。
4、圖像：眼睛的智能
目前，人工智能主要有三個戰(zhàn)場：一個是語音識別，相對來說比較成熟；它之后是自然語言，在這個領域還有很多事要繼續(xù)研究，非常難；現(xiàn)在的主戰(zhàn)場是圖像，就是眼睛的智能。怎樣用眼睛識別出環(huán)境與物體，這也是非常困難的事。 2012年，Hinton在圖像識別方面也取得了重大突破。在此之前，Viewdle擁有這個領域最大的訂單，但Hinton的成果一下把前人甩出了10年的距離，并在當時引起了很大的轟動。 在此之后，僅僅過了4個月，谷歌花了5千萬美金收購了它。這個驚人的舉措令我們認識到，人工智能開始值錢了。接著，谷歌又花了6.6億美金收購了一家公司。這家公司只有12個人，沒有什么特別的產(chǎn)品，主要是研究如何用深度學習來下棋。當時我們覺得它的價格過于昂貴了，但實際上這個公司誕生了很多算法，所以僅僅過了一年多以后，他們用阿爾法狗下了一盤舉世震驚的棋，一下子就把投入的錢賺回來了。 2013年，F(xiàn)acebook聘請了另外的團隊，在紐約建立了人工智能實驗室。后來，通用、因特爾等大企業(yè)也紛紛進入到這一領域，并且也開始收購一些公司。 三、人臉識別技術——華人的成就 在這期間，我們做了幾件比較有影響力的事。2014年，我們首次突破了人臉識別技術（ImageNet，一個計算機視覺系統(tǒng)識別項目，是目前世界上圖像識別最大的數(shù)據(jù)庫），在2015年的時候取得了全球第一的成績，2016年在五項里取得了三項世界冠軍。與阿爾法狗一樣，我們也做到了機器的算法超過了人類，在某個特定的領域可以把人打敗。 這其實并不神奇，因為汽車早已在賽跑的領域打敗了人類?？梢哉f，在某個特定領域打敗人類不是什么了不起的事。但是人們普遍認為，人工智能就是機器人，它可以超越人腦并控制人類。但事實上，這是非常遙遠的事情。我們真正在一線做人工智能研發(fā)的人是不敢這么想的，只是致力于讓機器做事先設計好的特定任務，絕不會有另外的任務附加給它。我們經(jīng)常開玩笑說，李世石在跟阿爾法狗下棋之前，也許早已在賭博公司下了賭注，賭自己輸。但是，阿爾法狗想不到這一點，所以盡管它以為自己贏了，但實際上它輸了（笑）。 深度學習有三個大核心要素：一是深度學習的算法設計；二是高性能的計算平臺；三是大數(shù)據(jù)。
1、艱難而輝煌的戰(zhàn)績
2011年，我們實驗室的幾十個博士、教師開始研究深度學習。這是學術界最早涉獵深度學習的華人團隊。因為做得早，所以在2011—2013年間，在人工計算機視角最頂級的兩個會議上，全球貢獻的29篇涉及到深度學習的文章中，有14篇出自我們的實驗室，占了全球一半的數(shù)量。2014年，我們又打敗了Facebook，在人臉識別技術方面超過了人眼識別。當時，一般人眼識別的準確率是75%強，但Facebook做到了97.3%。但我們的團隊連續(xù)做了四五個算法，最后從97.4%一路做到了99.55%，在與Facebook和谷歌的競爭中取得了好成績。 2014年9月份，我們又參加了一個世界級的大賽，與包括百度、谷歌、牛津、微軟在內的37個世界頂級團隊競爭，取得了全球第二的成績，谷歌是第一。其實在競賽中，我們做到了的數(shù)據(jù)高于谷歌發(fā)布的成績，所以只能屈居第二。 2015年，組委會在比賽中加入了視頻。在視頻的檢測中，我們取得了全球第一的成績。 2016年，我們在五項比賽里取得了三項第一名。
2、我們自己的開源系統(tǒng)
這個時候，我們其實在做一個“大腦”，這是一個非常困難的任務。深度學習跟人的大腦有相似之處，越難的任務會做得越好。比如說，我們要從幾千個瓶子里識別出其中的一個，這個算法肯定做不好。但如果能做出一千類物體的識別技術，把它做成最好的大腦，這時再回來識別瓶子，就可以做得很好。ImageNet就是對一千個問題進行了分類。跟人腦的相似之處在于，如果一個人希望在未來搞投資，那他肯定不會從幼兒園到小學只學投資這件事。人在小的時候，數(shù)學、物理、化學、歷史都要學習，只有讀到博士的時候再去做具體的任務。所以，一定要有把大腦訓練聰明的過程。 大腦的核心就像是一套操作系統(tǒng)，它是一個開源系統(tǒng)。谷歌和Facebook都有它自己的開源系統(tǒng)用來做基礎應用，而且有一些還是免費的?，F(xiàn)在人工智能、深度學習的門檻變得比較低，就是因為它有了開源系統(tǒng)。有了這個系統(tǒng)，隨便找?guī)讉€懂點技術的人，利用這套系統(tǒng)就可以訓練出一個模型，可以做一些應用。 但是，這里存在一個問題。比如你要做的是安卓系統(tǒng)還是在安卓系統(tǒng)上寫一個APP？我們經(jīng)常會把這兩件事混為一談。比如有的人能做幾個APP，演示出來就被說成是人工智能，但事實上它們是不同的。而且，我們做出來的東西是不是好，都是要受這套開源系統(tǒng)的控制。 我們在2011年的時候還沒有開源系統(tǒng)，所以要努力學習，從頭做起。這些年來，我們成功開發(fā)了自己的這套系統(tǒng)，雖然沒有完全對外開放，但我們自己和一些合作伙伴都在用。 今年開始，我們開始用這套系統(tǒng)訓練ImageNet。它是一個神經(jīng)網(wǎng)絡，有點像DNA的結構。在2012年，我們做到了5層，谷歌打贏我們的那場比賽用的是22層，去年微軟做的是152，而用我們的系統(tǒng)訓練出來的是1207層。 在2013年的時候，我們訓練網(wǎng)絡的檢測準確率只有22%，2014年做到了53%，后來又發(fā)展到了62%，現(xiàn)在我們的最好成績是66%?？梢钥吹?，以前，我們最好的進展情況大概是一年一個點，這樣的速度就完全可以發(fā)論文了。但是經(jīng)過了這三四年，從22到66，我們已經(jīng)翻了三倍，這就是進展的速度。跟以前不一樣的是，我們在單向任務上也是突飛猛進的。
3、自己的操算平臺
訓練這么復雜的一個網(wǎng)絡需要一個大的平臺。谷歌和Facebook的開源系統(tǒng)并不支持這個大平臺的運算，所以我們要做自己的操算平臺，并且要與谷歌的機器連起來。我們在香港有一個操算集群，在北京有三個，只有在這樣的大集群上才能真正的訓練出核心的大腦和核心的網(wǎng)絡。 在這方面，我們主要的合作伙伴有兩家，一家是NVDIA。我們幾乎所有的智能學習都是基于它的CPU在進行運算。很榮幸，這家公司把我們當成了跟谷歌、Facebook一樣級別的戰(zhàn)略伙伴。另一家是用一些高速的網(wǎng)絡把這些機器連起來，和我們也形成了戰(zhàn)略合作伙伴關系。目前，我們正與這兩家公司共同研究下一代產(chǎn)品。
4、大數(shù)據(jù)庫
最后一個是大數(shù)據(jù)。有了模型，有了平臺，還需要海量的數(shù)據(jù)。在這方面我們與300多家企業(yè)進行了合作，有18類、十幾億的各種圖像和多媒體的數(shù)據(jù)。同時，我們也在建立一些大型的學術方面的數(shù)據(jù)庫，定義了很多新的研究方向和新的課題，包括人臉數(shù)據(jù)庫、車型數(shù)據(jù)庫等等。 比如車型數(shù)據(jù)庫，在我們進入這一領域之前，學術界只有10幾種車型，而我們定義了上千種。對人群定義了94種特性。還有各種服裝的數(shù)據(jù)庫也是我們定義出來的。以前，我們看別人的文章，跟著別人的文章做，現(xiàn)在我們自己做文章，做專利，也在參與做標準。并且我們又在開辟新的方向，提出新的問題，定義新的數(shù)據(jù)庫，定義新的玩法，這實際上是在引領新的學術研究方向。
5、人工智能的十大先驅
在這些輝煌的戰(zhàn)績背后，是我們實驗團隊的艱苦付出。以圖像放大，并處理清晰這件事為例，大家不妨感受一下，人工智能這件事到底有多難。 比如，我們在機場拍到的罪犯的照片很模糊，經(jīng)過超分辨率處理變成清晰了以后，可以輔助警方把他給抓住。我們不但要把圖片放大，并且還要使模糊的照片變得清晰、漂亮。在已經(jīng)做十幾年之后，我們仍然覺得做不到。因為已經(jīng)有人做得很先進了，但他們也沒有做到。最初，我們用當時的算法得到的結果是令人失望的，放大了以后效果很差。但是，我們仍然在人臉檢測、高分辨率、人臉的特性分布等所有方面進行了大量的研究，每一項都有專門的文章。最近兩年，我們有多篇文章從這一方向闡述，并拿到了世界頂級的學術會議上。從學術的角度來講，這些都是很大的進步，但是花了這么大的功夫，也仍然有太多太多的空間有待我們去進步，還有很多的技術沉淀，有很多工作要做。 剛剛我們又投出了幾篇把一張小圖變成高清大圖的文章，因為這里面的應用前景非常廣闊。我們知道，傳輸一張高清大圖的速度很慢，那么我可以把它壓縮得非常小，傳過去以后，可以由接收端自行放大，并且得到非常高清的效果。日本有人用我們的技術做了一個很好玩的應用，叫做WAIFU2x，翻譯過來就是放大兩倍，就是把普通照片放大兩倍的意思，并且變得更加清晰。 但更重要的是，諸如遙感衛(wèi)星監(jiān)控，還有一些軍事上的偵查，都可以應用這一技術。 在沒有高分辨率技術之前，一般系統(tǒng)的分辯率都非常差，但用了人臉定位信息以后，我們可以實時并且非常準確地把人臉上的點定位出來，然后進行多集放大，每一集放大一點后再定位，然后放大一點，再定位，最后取得了非常好的效果。最初，我們在全球第一個做到了5點深度學習，后來做到了106點定位。現(xiàn)在，業(yè)界有用很多人臉跟蹤的應用，據(jù)說直播軟件背后都是這一技術。同時，我們在實際偵查圖像上進行了應用，基本可以把人看清楚了。這在以前是完全做不到的。 人工智能不可能橫空出世，說出來人們也不會相信。我們之所以能夠做這些事，是因為我們有一定的積累。我們在深度學習之前已經(jīng)有了很長時間的積累。比如，從2004到2008年間，我們在兩個頂級學術會議上的文章數(shù)量，其中的一個實驗室就做了57篇，而NIT一共有91篇，劍橋是30篇，可以說我們跟這些學校打了一個平手。前年也是在這兩個會議上，我們發(fā)出了24篇文章，谷歌是38篇。要知道，谷歌是擁有6萬名員工的大公司。去年，還是這兩次會議，我們又發(fā)表了42篇文章，超過了谷歌前年的水平。按照這個標準，我們頂多落后于谷歌一年。 在人工智能領域，全世界有600個國際會議。在其中排名前五的會議上，從我們實驗室畢業(yè)的學生拿到了54個最佳論文獎，包括剛才講到的去霧的算法。要知道，這些會議每次從一千多篇文章里只會選出一篇，而且是雙盲選擇，與人無關，只與文章本身有關。這跟中國的一些獎項的評選完全是不同的運作方式。 我們的這些成績，也得到了國際上的承認。NVDIA去年評選出了人工智能的十大先驅，我們很榮幸地位列其中，也是亞洲區(qū)唯一入選的實驗室。跟我們同時入選的另外9家都是計算機視角鼎鼎有名的機構，包括NIT、斯坦福等等世界級的百年名校，還有深度學習的“四大天王”、Facebook、谷歌的一些元老等等。與之相比，香港中文大學只是一所有著50年歷史的名校，而作為唯一一個比較年輕的實驗室，我們也不是靠學校的名氣入選的。 三、人臉識別技術在產(chǎn)品中的應用 以上是我們的一些學術成績。但是，如果這些成果不能落地，最終不能進入到產(chǎn)品階段，不能夠讓大家用起來，那就成了紙上談兵。那么，我們的成果怎樣落地，怎樣能夠在產(chǎn)品中得到應用呢？
1、 多個應用方向
平安城市與智慧商業(yè) 首先是平安城市。我們的人群監(jiān)控系統(tǒng)能夠時實分析出整個場景中有多少人，每一點上人的密度，每個進出口的人的數(shù)量，或者是各種逆向流動等特殊情況，都能夠監(jiān)控。大家都知道上海外灘發(fā)生過大規(guī)模的踐踏事件，假如外灘有我們這套系統(tǒng)，那次悲劇完全是可以避免的。 還有人臉識別技術，在各種場景下，比如地鐵口、火車站等，完全不需要指令就可以進行高精度的人臉識別，這是“靜場景”的人臉識別。除此之外，我們還可以“抓人”，在百米之外看到目標，能夠把他拉近以后進行識別。也能夠從百米之外將車輛拉近，識別出它的車牌、車型等等。這是對人群的遠距離監(jiān)控。 在對視頻結構化以后，我們在每個城市都可以有上百萬的監(jiān)控攝相頭，但沒有那么多的人力來篩選。那么，我們可以通過視頻對人、車和非機動車進行監(jiān)測和標注，包括對人的性別、體貌特征、車型、車牌、顏色等等進行監(jiān)測。它可以自動監(jiān)測出在什么時段，在什么位置，一個有著什么樣具體特征的人出現(xiàn)等等信息。 智慧商業(yè)與此類似，就是商場各個角落的情況，都可以做到實時監(jiān)控。
自動駕駛與人臉檢測定位系統(tǒng) 我們的另一個方向是自動駕駛。現(xiàn)在自動駕駛炒得非常熱。但是，做出一個能在路上跑的車，這是汽車廠商一百年前就做的事，不屬于人工智能范疇。我們要做的，是支撐這些新功能背后的核心技術。在自動駕駛里，有30項基本技術，每一項都是有一定的門檻，需要很多人付出卓絕的努力。 比如說物體檢測功能，對任何物體進行跟蹤檢測，是我們在2015年取得最好成績的那次競賽的參賽項目。這個技術能夠讓我們對街道上所有的機動車、非機動車和行人進行時實跟蹤監(jiān)測。同時，我們可以監(jiān)測出馬路上的人在往哪個方向看，有沒有注意到車來的方向。還可以監(jiān)測車道線，并且不受大霧、大雨等極端天氣的影響。 還有場景的感知?？臻g在什么地方，所有物體的分割、分類都可以進行實時感知。包括對司機的監(jiān)測等等。當然，這不是全自動駕駛，而是輔助駕駛。是將人的行為表現(xiàn)反饋回來，通過人與汽車面板的交互、協(xié)同來完成駕駛任務。
在手機中的應用 i.手機相冊 如果用戶手機中有一張模糊的照片，用我們的深度算法，可以把暗光增強，把非常小的圖像放大，使它變成一張很清晰的圖像，甚至可以識別出圖片所中一些細小又模糊的文字。包括圖像的顏色恢復、先拍照后聚焦等等功能。這是一件很神奇的事，用戶可以先拍一張照片，然后再選擇在哪一個點聚焦。還可以用濾鏡把圖片變成各種各樣風格的畫面。這是我們兩年前就做出的技術。同時，我們也是第一個用深度學習做圖像處理，并且第一個把它真正產(chǎn)品化的機構。 可以說，所有客戶端的相冊都有我們公司所提供的相冊管理服務。比如小米手機里就有我們的相冊管理軟件——寶寶相冊，這是小米的一個亮點。 ii.換臉術 在華為的相冊管理里，人臉和40類場景也是我們提供的。這是一個很好玩的應用特效，可以將照片上的人臉換成另一張臉。 iii.特效技術 與換臉相類似的技術是做各種各樣的特效。facv和各種直播的特效，以及韓國的cno的背后，都有我們的支持，秒拍、花椒、獵豹、移動都是我們的客戶，加起來大概有上百家。在大家經(jīng)?？吹降奶匦к浖澈?，也是我們的 在VR游戲、電視遙控等領域，都有我們的應用。遠程教育也是我們的應用之一。在遠程教學中，教師可以觀察到學生的聽課狀態(tài)。
線上空間與手機軟件
在線上我們也有用武之地。比如應用于借貸寶，還有跟中國移動的獨家合作。目前，在中國移動買一個手機卡需要進行身份的識別和認證，這方面我們在聯(lián)合開發(fā)其它產(chǎn)品。 樂視上網(wǎng)也采用了人臉識別系統(tǒng)。手機也可以嵌入我們的系統(tǒng)。 還有一些技術未必馬上就能夠應用于產(chǎn)品，但是未來必然會用到，它們也是我們開辟的新的研發(fā)方向。比如說，我們用兩個人上傳到網(wǎng)絡的照片可以分析出這兩個人的表情、距離、方向，彼此之間的關系是信任的，還是依賴的。這些技術的用處是什么呢？其中的一個應用是大數(shù)據(jù)征信。比如我發(fā)現(xiàn)你跟一個非常高端的人士有一張合影，你的信譽值就有可能會提高。而如果你跟罪犯有著密切的關系，那么如果我是銀行，是不會把錢借給你的。 我們也可以用VDIA做這件事，用每一幀圖像分析出兩個人的關系。當然了，不是所有的問題都能夠得到解決，比如說，我兒子跟這個玩具小娃娃的關系，我們怎么分析？對6個月大的嬰兒怎樣去分析？我想人工智能還不能完全理解這其中的奧秘。 但是，通過對視頻的分析，我們可以分析出某一個情景是不是災難，從而對其進行預警。
2、一個技術核心
所有這一切，聽起來有十幾個方向，但其背后的技術都是相通的，都是整個人體的交互。它主要還是在用一個核心的大腦在與各個行業(yè)進行結合，這是一個高門檻的技術。 如果你玩過微軟的TNET（音），就知道可以用人控制這個游戲。但是，TNET是一個深度攝相頭，兩個攝相頭加上一個VC，價格大概在幾百美元。我們現(xiàn)在做的是用一個一、二百美元的單向攝像頭就可以實現(xiàn)這個功能，并且有著廣泛的應用場景。比如在智能家居、游戲等領域，我們都是第一個做出時實效果的機構。
3、與2B企業(yè)的合作空間
目前，有好幾家廠商，包括OPPO、360、微博相冊等等已經(jīng)采用了我們的技術。前段時間，有一個公司做的to C產(chǎn)品跟我們的技術有些類似，但實際上，我們并不做C端，而是跟to B的企業(yè)合作。 我們自己并不做手機，也不會親自做攝相頭，而是與這些產(chǎn)業(yè)的領袖、產(chǎn)業(yè)中最優(yōu)秀的企業(yè)進行戰(zhàn)略合作，然后把我們的技術植入到對方的產(chǎn)品中去。 （文字整理 /編輯 李澤慧）
|
|
|
