360安全人工智能：让一切物联网产品自学习

Oh~ 今天的铅笔道有一个别致的小标签，是“2016中国企业服务峰会”的合作媒体，还是名单中的第一名，有些小紧张，感谢主办方IDG、36氪对我们的宠幸。
　　
这次大会，也是铅笔道的首秀了，第一次驻场报道如此规模的峰会活动。在北京751时尚设计广场79罐，我们有一个大约6平米的精美小展台，美女帅哥记者已经驻场，报道本次活动。
　　
活动的参会嘉宾业务多为企业级服务，如SaaS服务商金蝶云、纷享销客等；数据服务商GrowingIO、聚合数据等；安全服务商安全狗、青藤云安全、四叶草安全等。
　　
这篇文章主要介绍360在人工智能方面的产品类型（人脸识别、车辆、人体分析），以及研究进展。以下为360人工智能研究院院长颜水成会上分享内容：
　　
我们的产品类型
　　
非常高兴能有机会跟大家分享360在人工智能方面的状况和进展。大家都知道360是一家以安全起家的公司，在过去的11年中，安全一直是我们最基础的基因。
　　
过去这些年，360从电脑安全转移到手机安全，最近开始关注企业安全。
　　
在互联网大环境下，公司把安全的概念进行了一个延展，进入大安全时代。所以除了传统的线上安全，也很关注线下安全。
　　
线下安全业务主要有3方面：1、面向小孩安全。主要是发展穿戴式的设备；2、关注家庭和家人的安全，主要是智能家居。3、关注出行安全，主要跟车辆有关的安全问题，如信息安全、车联网安全以及驾驶的安全。
　　
所有东西合在一起，我们希望给每个人都带来一种安全的感觉。
　　
在这种大安全的策略下，公司希望把人工智能作为安全的磐石，逐步打造面向大安全的安全智能。对一个公司来说，如果要很好地应用人工智能，有3个关键要素：1、有大标注的数据；2、有人工智能的前沿算法；3、需要大的计算平台。
　　
总的来说，360的人工智能有2个阶段。第一个阶段，我们希望从0到1，即在不同产品线上使用。第二个阶段，从1到N。意思是我们希望人工智能的技术不只是可以使用，也可产生一定的技术意义。
　　
360有很多面向线下安全的智能硬件产品。为了让这些产品更好地智能化，我们有很多人工智能的技术研发。比如人脸识别、车辆、人体分析等。也有其它应用领域，如语音分析，面向企业安全的网络流分析等。
　　
人脸识别
　　
人脸识别技术在很多应用中非常重要，比如“小水滴”，它需要家人有很好的监控，比如识别是家人还是陌生人，其行为是否正常等。
　　
在人脸分析方面，我们做了很多研究。在过去半年，我们主要让高性能的算法快速跑起来，也就是说能以非常快的速度在产品端使用。
　　
在人脸检测方面，我们主要解决两个问题，一是人脸的不清晰，如说遮挡、模糊、姿态和光照，我们团队当前主要是针对有遮挡的脸，提出了专门的模型，在数据库上有很好的技能，现已达97%的准确率。
　　
我们的算法上主要是想解决人脸上有很多点可能被遮挡的情况，当前在300W的人脸分析上取得了不错的结果。
　　
人脸识别场景化也非常关键。比如对互联网图片的人脸识别，如互联网金融方面，需把拍摄的照片和身份证照片匹配。这种场景和360的应用场景有比较大的差别，我们比较关心在小水滴领域，在家庭领域的人脸识别。这样的话数据就变得非常关键，如果有好的测量方法，用比较少的数据就能取得相应好用的性能。
　　
车辆与人+大数据
　　
下面是车辆和人的分析，我们团队在物体的检测和识别方面取得了很不错的成绩，他们经验的积累，对算法的打磨，让模糊无法识别的概率从74%降至9.6%。在人和车非常复杂的背景情况下，它可以基于双目方案对人和车进行精确定位。
　　
我们同样在视觉感知方面做了一些进展，因为面向这种智能家居，只是视觉感知还是不够的，也要在语音和语义方面有不错的进展，比如云识别的错字率如果能降到1%，它就能比较好地支持语音输入，语音的搜索、语音对话。另外是今后学习的方向：语音的唤醒，对于智能硬件，如手表、智能摄像头等设备，语音唤醒还是非常重要的。
　　
除了这一块，我们在大数据方面也有较好的积累和铺垫。我们企业安全部的同事用堆栈式的服务，可对网络上的网络流进行协议识别和应用识别。比如在网站随意截取一个网络流，即可预测出它所发送协议，发送运程。这是非常有价值的互联网信息。
　　
基于深入学习的人工智能，训练的平台可能已经非常普及了。公司的技术从0到1的转变可能性也变得很大。但人工智能或者技术的发展最关键还是怎么产生技术壁垒。
　　
360最近有两个重点：1、重点发展端上的智能，因为端上的量肯定要比云上的量高很多，而且会有各种端出现。
　　
要发展端上的智能化，可用编译的专用芯片，但用这种方式，它肯定会让产品的价格有大幅度提升。所以这绝对不应该是唯一途径，也就是说让端上建立技术壁垒的话，要在算法上降低计算量。
　　
打比方说1×1的卷积，它就能设计出高效的网络。最近的微软产品，把256级做3×3的卷积，就是9的量级，如果能用1×1把256做成64家，就有4×4的降低，这对于端上是非常有价值的。
　　
另外，端上的小模型，可能精度上会有损失，但是如果运用大量数据的话，就会在某种程度上弥补精度的损失。
　　
当然，它绝对不会成为技术壁垒，真正的技术壁垒是在不减少技术的情况下有精度的提升。这也是360研究院在极力发展的方向。
　　
综合来说，奔跑在CPU上的编译绝对是以后端上重要的发展方向。
　　
自学习能力
　　
另外一个非常重要的方向：怎么样让人工智能的系统具备自学习的能力。
　　
很多应用真的没办法标注数据，比如自动驾驶，一般的企业没有办法搜集到各种场景下的数据。
　　
但如果系统在运行的过程中能够自主学习、自主搜集信息，那它的性能肯定就可以逐步增强。
　　
另一方面，在端上我们只能有轻量级的计算，如果能自主学习的话，之后就可以保证在端上达到计算目的，因为个性化服务不是服务所有的人，这样的话小模型就有比较好的针对性。
　　
此外，自主学习完全有自主性，一方面当一辆车在路上行驶的时候，就可根据上下文推导出哪些是人，哪些是车。特别是家里的机器人，如果能逐步积累一些位置，检测出一个人，如果能把这些样本做增益样本的话，那么机器人的性能就会自主增强。
　　
我们的最终目的是希望这些物联网的产品有自主学习的功能，最后变成懂我的互联网产品，而不是互联网产品到了家里，变成一个Fix的东西。
　　
最后做一个小的总结，在360这种大安全的策略上，现在人工智能技术已经逐步地运用到很多产品中，同时也进一步证明了人工智能有很多新的产品形态正在打磨，我也敬请大家期待360有更多的人工智能的产品服务于普通的老百姓。