从指纹识别到人脸识别的变革 生物识别功能潜藏的安全危机?
从指纹识别到人脸识别的变革 生物识别功能潜藏的安全危机?
来源：iDoNews
核心提示在智能手机快速崛起的这几年里，手机承载了用户们大量的个人信息，一旦丢失后或开机密码被有心人破解，其中的私密照片、银行卡密码、秘密文档等信息将会被不法分子获取，对个人用户造成巨大的损失。
　　自从电子信息时代来临之后，人们便从没有停止过对于信息安全的研究，尤其是基于个人隐私方面的安全问题。在智能手机快速崛起的这几年里，手机承载了用户们大量的个人信息，一旦丢失后或开机密码被有心人破解，其中的私密照片、银行卡密码、秘密文档等信息将会被不法分子获取，对个人用户造成巨大的损失。
　　而智能手机的密码锁也经历了从数字密码、手势解锁到指纹识别的升级，再到如今虹膜识别、人脸识别登上历史的舞台。可以预料的是在不久的将来指纹识别也即将完成他的使命，被智能手机厂商们所抛弃，一个是因为全面屏幕的普及，一个是因为新的FaceID技术在使用的时候会更加安全、便捷。生物识别功能的变革，已成为智能手机厂商的产品卖点。
　　指纹识别功能即将落幕?
　　从苹果的IPhone5S产品搭载指纹识别技术之后，该技术便已经从鸡肋功能发展成为智能手机的必备功能。直到IPhoneX的出现，指纹识别技术还无法适用于取消了Home键的全面屏，而被人脸识别功能取代。据知名大神爆料明年苹果的所有新机都将放弃指纹识别技术，这也意味着IPhone在密码识别技术上更偏向于选择FaceID，指纹识别终于还是走向了落寞。
　　而国产厂商中的不少机型已经将指纹识别功能按钮后置于机身背部，这也在很大程度上影响了用户解锁屏幕、利用Touch ID进行支付交易的体验，这个时候如果可以有一项新的技术来代替的话，国产厂商们也是很乐意的。
　　其实，指纹识别的兴起完全是因为每个生物的指纹具有唯一性，再加上其在实现技术难度上并不是太高，所以指纹识别功能是最早使用的生物识别技术。大多的手机厂商在设计指纹识别功能的时候，优先考虑的是其市场的认可度，而并非是技术上的问题。
　　随着全面屏的普及，苹果、三星、华为、小米、VIVO等主流机型均开始尝试全面屏幕，在屏下指纹识别功能并不成熟的现在，使用全面屏则意味着正面的指纹识别功能要被放弃，只能搭载于机身背部。当FaceID越来越流行的时候，指纹识别功能将再次成为鸡肋功能，被厂商放弃也就在情理之中了。
　　指纹识别对比人脸识别差距在哪里?
　　说到指纹识别，其最重要的一个原件就是其电容传感器，它能起到捕获指纹图像的功能。当用户在进行指纹采集的时候要通过电容传感器形成电容式的阵列，在通过图像处理之后存储在特定的数据库中。当进行指纹识别来解锁或者支付的时候，电容传感器会将再次捕获到的指纹图列阵传输到功能处理器与数据库中存储的原始指纹图阵列进行对比，当两种图列阵重合度达到指定的比例时，处理器会发出一个信号到开锁屏幕流程进行判定，系统便会进行解锁处理，同样的在进行指纹支付的时候也是采用相同的机制。
　　而人脸识别的应用，需要考虑复杂的光照、生物动态、遮挡物等多重因素，识别难度高，自然破解难度也升级了，其将生物密码解锁安全级别提升了一个等级，识别准确度的提升也在10倍以上。特别是在安全性上，人脸识别要比指纹识别功能更难以破解。
　　1、从使用寿命来看指纹识别技术要低于人脸识别的，其最大的软肋还是在于安全性，而人脸识别的生物特性难以被伪造，所以电影中指纹被采集后用一块仿体代替便可解锁的情况在人脸识别的级别是不可能实现的。
　　2、人脸识别成本要低于指纹识别，其应用范围更加广阔，在交通、公安、安检、户籍等领域均可使用。而在智能手机中，人脸识别主要应用于屏幕解锁和支付上，和指纹识别是一样的，但使用人脸识别不需要昂贵的触碰式传感器，可以为厂商节省出一大部分的硬件资金成本。
　　生物识别潜藏的危机
　　虽然生物识别功能在安全性上已经是很高了，但是他的唯一性和不可变更性促使其面临着更大的安全问题。那就是一旦发生信息泄露，对于该用户的损失也是巨大的，他的所有信息将有可能被盗，更可怕的是作为唯一的生物特征，该存储的人脸信息被盗取之后将无法更改，也就是说这个功能以后都不能再使用了。指纹识别是如此，人脸识别亦是如此。
　　主要说一下人脸识别功能，以现代技术，借助于三维模型生成系统和仿生皮肤，在得到目标用户的一些基本图像和视频资料后，便可以合成一个可以骗过人脸识别系统的基础模型，适当的进行加工升级便可以很好地应对不同状态下的人脸识别技术。当然，这个前期的工作量还是特别大的，一般用户是不用担心被针对的。
　　指纹识别的假体制作起来就更方便了，难度也更低，网上可以安利一大堆出来，即便不是专业的人员也可以操作。
　　所以，这就带来两个层面的思考：
　　1、生物识别功能的应用前景
　　利用生物识别技术，可以在公安刑侦、交通以及在其他的诸如物理、化学领域进行跨界合作、研究，推出更安全可靠地产品。结合目前的大数据技术和深度学习技术，生物识别功能将作为主流的智能模型在产业融合中扮演着控制性角色，这将更有意义。
　　2、生物识别功能有没有更好的替代品
　　生物识别本身的唯一性可以很好的保证其用户信息的私密性，但是太私密的东西潜台词就是丢失后后果会更加严重，而隐秘性和安全性本身就是对立的，矛盾的，我们将其付诸于应用端也只能从中选择一个点来发展。
　　当然，从识别准确度和安全性上来看，静脉生物识别技术是最有保障的，但是因其技术成本太高，在现今的技术水平下是难以进行商用推广的。
　　笔者认为目前的生物识别技术依然在发展之中，并且还有很大的上升空间，各大手机厂商推出的指纹识别技术和人脸识别技术虽然有缺陷，但在实际应用中还是可以满足用户的使用需求的。而从安全性来讲，大不了将密码、指纹识别、人脸识别叠加使用，只是带来的用户体验差的问题就难以解决了。我们当然还是愿意本着支持的态度，理性看待生物识别技术，同时也不可大意，时刻警惕信息安全问题，以防止不法分子趁虚而入。
责任编辑：韩希宇
后参与评论
暂无相关推荐急！ZM-9106指纹考勤机怎样录入指纹?
选种设备名称及相应的连接方式，点 [连接设备]按钮，输入后按 [OK]确认？’我们可按 [ESC] 键。 10、打开真地考勤管理系统，此时屏幕提示：“请放手指”、你首先把部门资料、人事资料：“继续备份吗？”如果要继续进行备份请按 [OK]，要结束备份请按 [ESC] ：
选种设备名称及相应的连接方式，点 [连接设备]按钮，输入后按 [OK]确认？’我们可按 [ESC] 键。10、打开真地考勤管理系统，此时屏幕提示：“请放手指”、你首先把部门资料、人事资料：“继续备份吗？”如果要继续进行备份请按 [OK]，要结束备份请按 [ESC] ：新购机用户需要学习如何采集指纹。9．把考勤机和计算机进行连接。考勤机和计算机的通讯方式有RS232，我们只看到了员工的工号、以上弄好后、RS485，这进指纹机与电脑就会连接上，以下是两种考勤机的使用方法一、指纹考勤机使用方法指纹考勤机买回来后，实际上是可以显示员工的姓名的。请进行以下步骤。8．在计算机上安装考勤管理系统。放入安装光盘，统计完成后，指纹采集完成后即可正常使用考勤机。1．把考勤机通电，没看到姓名，并进行下一个员工的指纹登记。7．在上面第6步操作中，从磁卡考勤机导出来的考勤数据记录，进行数据统计，屏幕显示员工的工号。3．放手指时要注意，这些资料全部弄好（包括员工编号，员工上下班打卡？” ，按 [OK]键，这个时候要输入员工的工号。4．3次按压完成后。6．指纹登记完成后，按屏幕提示进行安装即可，被采集者身体相对考勤机要站正。把从指尖开始2/3位置指肚非常饱满的平放在采集器玻璃片上，打开机器，使机器处于正常工作状态。2．在考勤机操作面板上按主菜单 [MENU] C [用户管理] C [用户登记] C [指纹登记]，屏幕提示“新登记，进行备份登记，每个员工可以采集至少2枚指纹，很多客户初次不知道怎么使用真地指纹机，现把真地指纹机详细的使用方法及详细操作步骤写如下、再把公司上班下班的作息时间定义好，考勤规则班次设置好，人员班次分配好3，按 [OK] 保存，按压3次为采集了一枚完整的指纹，听到“嘀”的一声移开手指，同样进行第2次第3次按压;IP、USB数据线4种直连方式，以备其中一个有磨损破裂时使用。5．备份完成后，按 [OK] 保存，此时屏幕提示、部门、就职日期等等）2，即可使用所登记的手指进行指纹考勤。依照采集指纹时的按压方法进行即可，可下载数据、姓名、卡号。按压后。此时屏幕提示：‘新登记，上传人员信息。（考勤机使用说明书）二、刷卡考勤机使用方法1，并伴随有机器语音提示“谢谢”。如果按压不成功，则有语音提示“请重按手指”，此时请重新按压手指或更换另一手指按压、TCP&#47，注意要把程序安装路径更改为D盘，不要滑动手指，轻轻用力按压大概就是这样吧。我没用过你说的那个牌子 你参考下 ，行了给我个最佳答案考勤机有指纹考勤机和刷卡考勤机就是以防万一考勤机坏了指纹是在考勤机录入的，看考勤机菜单应该很容易操作。录入时编号要与电脑里对应。在考勤机上录入完指纹，可以把考勤机连接电脑，将在考勤机登记的指纹采集到电脑里存一份。不往电脑里存一份也没有大关系
(责任编辑：admin)
------分隔线----------------------------
下一篇：没有了
得出密码的方式是用计算机首先输入9999减掉考勤机上当前的时间如1000那么得出8999再乘...
上海维修公司上海门禁安装维修考勤门禁安装 指纹门禁安装从事门禁考勤系统批发、零售...
随着科技的日新月异，越来越多的新奇特产品不断涌现，传统的考勤机也发生了翻天覆地的...
长安太和 非接触式IC卡电梯门禁智能控制系统 设 计 方 案 深圳市多奥科技有限公司 201...
WEB考勤解决方案 1.需求分析 大规模应用，上万的员工、上百台考勤机联网面临如下问题...
对于企业来说，日常的办公，像考勤、内部通告、工作总结等，是每个企业必须的工作，但...虚构的对抗，GAN with the wind ，丘成桐团队近期研究成果
【AI WORLD 2017世界人工智能大会倒计时&21&天】&大会早鸟票已经售罄，现正式进入全额票阶段。还记得去年一票难求的AI WORLD 2016盛况吗？今年，即将于日在北京国家会议中心举办的上，我们请到了硅谷知名企业家、IEEE Fellow&Chris Rowen 、腾讯优图实验室杰出科学家贾佳亚教授以及旷视科技（Face++）首席科学家孙剑一起来讨论“人脸识别”。想现场感受顶级科学家的风采和CMU的学风与氛围，或者是现场向他们请教技术问题？点击文末阅读原文，马上参会！抢票链接：/event/0?td=6大会官网：& 新智元推荐&来源：老顾谈几何& 授权转载作者：顾险峰&【新智元导读】在过去的两三年中，对抗生成网络（GAN）获得了爆炸式的增长，其应用范围几乎涵盖了图像处理和机器视觉的绝大多数领域。本文分析了WGAN的理论框架，然后简介最优传输理论，解释生成器和判别器的主要任务，再介绍凸几何中的基本定理，初步试验结果比较了WGAN和几何方法。在过去的两三年中，对抗生成网络（Generative Adersarial Network，GAN）获得了爆炸式的增长，其应用范围几乎涵盖了图像处理和机器视觉的绝大多数领域。其精妙独到的构思，令人拍案叫绝；其绚烂逼真的效果，令众生颠倒。一时间对抗生成网络引发了澎湃汹涌的技术风潮，纳什均衡的概念风靡了整个人工智能领域。&Goodfellow 【1】于2014年提出了GAN的概念，他的解释如下：GAN的核心思想是构造两个深度神经网络：判别器D和生成器G，用户为GAN提供一些真实货币作为训练样本，生成器G生成假币来欺骗判别器D，判别器D判断一张货币是否来自真实样本还是G生成的伪币；判别器和生成器交替训练，能力在博弈中同步提高，最后达到平衡点的时候判别器无法区分样本的真伪，生成器的伪造功能炉火纯青，生成的货币几可乱真。这种阴阳互补，相克相生的设计理念为GAN的学说增添了魅力。GAN模型的优点来自于自主生成数据。机器学习的关键在于海量的数据样本，GAN自身可以生成不尽的样本，从而极大地减少了对于训练数据的需求，因此极其适合无监督学习；GAN的另外一个优点是对于所学习的概率分布要求非常宽泛，这一概率分布由训练数据的测度分布来表达，不需要有显式的数学表示。GAN虽然在工程实践中取得巨大的成功，但是缺乏严格的理论基础。大量的几何假设，都是仰仗似是而非的观念；其运作的内在机理，也是依据肤浅唯像的经验解释。丘成桐先生率领团队在学习算法的基础理论方面进行着不懈的探索。我们用最优传输（Optimal mass Transportation）理论框架来阐释对抗生成模型，同时用凸几何（Convex Geometry）的基础理论来为最优传输理论建立几何图景。通过理论验证，我们发现关于对抗生成模型的一些基本观念有待商榷：理论上，Wasserstein GAN中生成器和识别器的竞争是没有必要的，生成器网络和识别器网络的交替训练是徒劳的，此消彼长的对抗是虚构的。最优的识别器训练出来之后，生成器可以由简单的数学公式所直接得到。详细的数学推导和实验结果可以在【7】中找到。下面，我们就这一观察展开详细论述。我们首先分析WGAN的理论框架；然后简介最优传输理论，解释生成器和判别器的主要任务；我们再介绍凸几何中的基本定理，解释凸几何和最优传输的内在联系，用计算几何的语言来解释最优传输框架下的基本概念；初步试验结果比较了WGAN和几何方法；最后我们进行一些扼要的讨论。规模宏大的随机数生成器大家对于随机数的生成原理耳熟能详，GAN本质上可以被视作是一个规模宏大的随机数生成器。我们考察最为简单的线性同余生成算法，这里是比较大的整数，那么构成了单位区间上的均匀分布（uniform distributed）伪随机数。我们再来生成单位圆盘上的高斯分布的随机采样点：首先生成，然后定义映射。由此可见，我们可以通过一个变换将均匀分布变换成高斯分布。如果我们将概率分布看成是某种质量密度，映射会带来面积的变化，因此带来密度的变化，这样就从一种概率分布变换成另外一种概率分布。图2. GAN本质上是将一种概率分布（高斯分布）变成另外一种概率分布（人脸图像）。在图像生成应用中，GAN模型本质上就是将一种固定的概率分布，例如均匀分布或者高斯分布，变换成训练数据所蕴含的概率分布，例如人脸图像的分布。GAN的理想数学模型如下：我们将所有图像构成一个空间，记为图像空间，每一张图像看成是空间中的一个点，。我们用来表示图片是否表达一张人脸的概率，那么就是GAN要学习的目标概率测度。在工程实践中，我们只有一些人脸图像的样本，这些样本构成了经验分布作为的近似。经验分布的公式表达为：&&&&&&&&。绝大多数图片并不是人脸图像，因此的支撑集合是图像空间中的一个子流形，的维数远远小于图像空间的维数。支撑集流形的参数空间等价于特征空间，或者隐空间（latent space）。编码映射（encoding map）就是将映到特征空间，解码映射（decoding map）就是将特征空间映到支撑集流形。图3. WGAN【3】的理论框架。假设在隐空间有一个固定的概率分布，例如高斯分布或者均匀分布。我们用一个深度神经网络来逼近解码映射，将映成了图像空间中的概率分布,我们称为生成分布。判别器的核心任务是计算训练数据分布和生成分布之间的距离；生成器的目的在于调节使得生成分布尽量接近数据分布。那么，如何计算分布间的距离呢？如何最优化映射呢？这需要用到最优传输理论。最优传输理论梗概给定带有概率测度的空间和，具有相同的总质量，。一个映射被称为是保持测度，如果对于一切可测集合，我们都有,记为。给定距离函数，代表两点间的某种距离，传输映射的传输代价函数为：。蒙日问题&法国数学家蒙日于18世纪提出了最优传输映射问题：如何找到保测度的映射，使得传输代价最小，这种映射被称为是最优传输映射（Optimal Mass Transportation Map）。最优传输映射对应的传输代价被称为是概率测度之间的Wasserstein距离：。Kantorovich 对偶问题&Kantorovich证明了蒙日问题解的存在性唯一性，并且发明了线性规划（Linear Programming），为此于1975年获得了诺贝尔经济奖。由线性规划的对偶性，Kantorovich给出了Wasserstein距离的对偶方法：等价的，我们将换成的c-变换，，那么Wasserstein距离为：这里被称为是Kantorovich势能。WGAN模型&在WGAN【3】中，判别器计算测度间的Wasserstein距离就是利用上式：这里距离函数为，可以证明如果Kantorovich势能为1-Lipsitz，那么。这里Kantorovich势能由一个深度神经网络来计算，记为。Wasserstein距离为。生成器极小化Wasserstein距离，。所以整个WGAN进行极小-极大优化：。生成器极大化，判别器极小化，各自由一个深度网络交替完成。在优化过程中，解码映射和Kantorovich势能函数彼此独立。Brenier方法&Brenier理论【4】表明，如果距离函数为&，那么存在凸函数，被称为是Brenier势能，最优传输映射由Brenier势能的梯度映射给出，。由保测度条件，Brenier势能函数满足所谓的蒙日-安培方程：。关键在于，Brenier势能和Kantorovich势能满足简单的关系：。判别器计算Kantorovich势能，生成器计算Brenier势能。在实际优化中，判别器优化后，生成器可以直接推导出来，不必再经过优化过程。凸几何理论梗概最优传输的Brenier理论和凸几何理论中的Alexandrov定理彼此等价，它们都由蒙日-安培方程来刻画。图4. Minkowski问题和Alexandrov问题。Minkowski 定理&如图4所示，左帧显示了经典的Minkowski定理：给定每个面的法向量和面积，满足条件，那么凸多面体存在，并且彼此相差一个平移。这一定理在任意维欧氏空间都成立。Alexandrov 定理&右帧显示了Alexandrov定理【2】：假设是平面上的一个凸区域，是开放凸多面体，每个面的法向量给定，每个面在上的投影面积给定，满足，那么凸多面体存在，并且彼此相差一个垂直平移。这一定理在任意维欧氏空间都成立。Alexandrov于1950年代证明了这个定理，他的证明是基于代数拓扑的抽象存在性方法，无法转化成构造性算法。变分原理&我们在【6】中给出了一个基于变分原理的构造性算法。假设第i个面的梯度给定，高度未知，这个面的方程为。这些面的上包络（upper envelope）构成了Alexandrov凸多面体，也是凸分片线性函数的图（graph），这里向量代表所有支撑平面的高度。上包络向平面投影，得到的一个胞腔分解，&胞腔是第i个面在上的投影，其面积记为。那么，我们定义Alexandrov势能为：.可以证明Alexandrov势能为凹函数，其极大值点给出的高度，就是Alexandrov定理中的解。Alexandrov定理和最优传输图5. Alexandrov定理和最优传输映射。凸几何中的Alexandrov定理和最优传输理论中的Brenier定理本质是一致的，如图5所示，带测度的源区域为，目标为带狄拉克测度的离散点集,我们构造一个Alexandrov凸多面体，每个面的投影面积满足&，那么这个凸多面体对应的分片线性凸函数就是Brenier势能函数，梯度映射就是最优传输映射，Alexandrov势能函数就是传输代价，也等价于Wasserstein距离，即。计算几何的语言图6. Power DiagramBrenier定理和Alexandrov定理可以用计算几何中人所周知的Power Diagram语言来描述，这样有利于进一步理解和算法设计。如图6所示，我们为每个目标点配上一个红色的小圆，半径的平方被称为是power 权重。那么power距离定义为由此，我们定义Power Diagram&&，这里通过调节power 权重，我们可以使得每个胞腔的测度等于。综上所述，我们有如下最优传输的几何解释：生成器：最优映射等价于Power胞腔分解，将每个胞腔映到，判别器：Wasserstein距离中中的等于power 权重，判别器：Wasserstein距离Kantorovich势能等于power距离，生成器：Brenier势能等于Power Diagram的上包络。初步实验设计和结果为此，我们设计了两个尽可能简单的实验，来分别验证这两个功能：测度变换实验&给定实验数据分布&，我们的几何算法给出了精确解，我们试图用WGAN来解决同样的问题，进行详细比较。为了排除编码、解码映射的影响，我们设计隐空间和图像空间重合，因此WGAN只计算了测度变换。我们在这里，进行了两个实验，第一个实验的训练样本只有一个团簇，WGAN的生成分布和数据分布吻合得非常好。图7. WGAN计算结果为了可视化计算结果，我们在平面上设计了非常简单的实验，隐空间的概率分布为均匀分布。如图7所示，蓝色点代表数据样本，橙色点代表WGAN生成的样本。数据样本分成两个团簇，符合Gaussain Mixture的分布。我们看到WGAN最后的学习结果并不令人满意，橙色点的分布和蓝色点的分布相距甚远。图8.几何方法计算结果图8显示了几何方法生成的结果：每个胞腔映到一个具有同样颜色数据样本，上包络的面和它的投影胞腔具有同样的颜色。我们可以看到，首先最优传输映射将单位圆盘映射到所有的数据样本；其次，所有的power 胞腔都具有相同的面积，这意味着几何方法完美地生成了经验分布&。我们注意到，Brenier势能函数（上包络）有一个尖脊，将梯度分成了两个团簇，因此能够处理多个团簇的分布逼近问题。我们认为基本原因如下：WGAN用深度神经网络来构造测度变换映射，深度神经网络所能表达的函数为线性映射和ReLu的复合，因此必为连续映射。但是，由于数据样本构成为多个团簇，真正的最优传输映射必是非连续的映射，因此问题的解并不包含在深度神经网络构成的泛函空间中。图9. 弥勒佛曲面图10. 几何方法构造的编码映射：左侧是保角变换，右侧是保面积映射，两者之间相差一个最优传输映射解码映射&我们设计的第二个实验更为复杂。我们将三维欧氏空间视为图像空间，弥勒佛曲面作为子流形，二维欧氏平面作为隐空间。我们的目的是做一个生成器，生成在曲面上的均匀分布。这里，子流形的几何比较复杂，我们先用几何中的Ricci流【5】的方法计算编码映射，将曲面映入到特征空间上, 映射将曲面的面元映到隐平面上面, 诱导了平面上的测度由曲面的共形因子来描述，如图10左帧所示。然后，我们计算隐空间到自身的最优传输映射，将均匀分布映射到由曲面共形因子定义的概率测度（即曲面上的面元），这样就得到从曲面到隐平面的保面元映射，得到图10右帧所示。图11. 共形映射诱导的曲面上非均匀分布图12. 最优传输映射诱导的曲面上均匀分布从图11我们看到，隐空间上的均匀分布被共形映射拉回到上，不再是均匀分布；图12显示，复合了最优传输映射之后，隐空间上的均匀分布被保面元映射拉回到上依然是均匀分布。由此，我们用几何方法构造了曲面上均匀分布的生成器。但是，我们用同样的数据样本来训练WGAN模型，但是很难得到有意义的结果。如果读者有兴趣用其他深度学习模型进行研究探索，我们非常乐于分享这些数据，共同探讨提高。讨论理论上，概率分布之间的变换可以在图像空间中完成，也可以在隐空间中完成。但是在实践中，隐空间的维数远低于图像空间，因此应该在隐空间中施行。因此，生成模型具有两个任务：一个是计算编码解码映射，另一个是概率分布变换。目前的模型，将这两个任务混同，因此难以分析。我们的初步实验表明深度神经网络无法表达非连续映射，但是最优传输映射往往是有间断点的，因此目前的GAN模型需要进一步拓展。对于降维的编解码映射，目前完备的基础理论尚未建立起来，很多方面比较含混原始，例如GAN的收敛性验证，收敛阶估计，误差分析和控制。我们计划用更为精细的实验来详尽分析，更期待看到基础理论方面的长足发展。小结鸣谢最后，我们以张首晟先生的第一性原理来结束此文：“人类看到飞鸟遨游行空，便有了飞翔的梦想，但是早期的仿生却都失败了。理论物理指导我们理解了飞行的第一性原理，就是空气动力学，造出的飞机不像鸟却比鸟飞地更高更远。人工智能也是一样，人类的大脑给了我们智能的梦想，但不能简单地停留在神经元的仿生,而要理解智慧的第一性原理，才能有真正的大突破！”References& & & & & & & & & & & & & & & & & & & & & & & & & &&Goodfellow, Ian J.; Pouget-Abadie, J Mirza, M Xu, B Warde-Farley, D Ozair, S Courville, A Bengio, Yoshua (2014). "Generative Adversarial Networks".&arXiv: A. D. Alexandrov. “Convex polyhedra” Translated from the 1950 Russian edition by N. S. Dairbekov, S. S. Kutateladze and A. B. Sossinsky. Springer Monographs in Mathematics. Springer-Verlag, Berlin, 2005.Martin Arjovsky, Soumith Chintala, and Léon Bottou. Wasserstein generative adversarial networks. In International Conference on Machine Learning, pages 214–223, 2017.&Yann Brenier. Polar factorization and monotone rearrangement of vector-valued functions. Comm. Pure Appl. Math., 44(4):375–417, 1991.Xianfeng Gu, Feng Luo, Jian Sun, and Tianqi Wu. A discrete uniformization theorem for polyhedral surfaces. Journal of Differential Geometry (JDG), 2017.Xianfeng Gu, Feng Luo, Jian Sun, and Shing-Tung Yau. Variational principles for minkowski type problems, discrete optimal transport, and discrete monge-ampere equations. Asian Journal of Mathematics (AJM), 20(2):383 C 398, 2016.Na Lei,Kehua Su,Li Cui,Shing-Tung Yau,David Xianfeng Gu, A Geometric View of Optimal Transportation and Generative Model, arXiv:.本文转载自老顾谈几何，作者顾险峰，点击阅读原文查看原文。【AI WORLD 2017世界人工智能大会倒计时&21&天】点击图片查看嘉宾与日程。大会门票销售火热，抢票链接：/event/0?td=6【扫一扫抢购大会门票】AI WORLD 2017 世界人工智能大会购票二维码：&}