不过 ， 最初 的 这 三 十 余 年间 ， 研究者 们 并 没 能 取得 多少 非常 重要 的 成果 ， 更 不 要说 “ 投入 应用 ” 了 。 
进入 20 世纪 90 年代 ， 麻省理工学院 人工智能 实验室 的 一 次 实验 ， 在 对比 了 基于 结构 特征 和 基于 模板 匹配 两 种 方法 的 识别 性能 之后 ， 得出 模板 匹配 的 方法 。 
其 识别 性能 ， 要 优于 此前 “ 基于 特征 ” 的 方法 。 
--
和 之前 “ 找 规律 ” 的 思路 相比 ， 这种 思维 更 酷似 于 “ 对号入座 ” 。 
学习 “ 训练 ” 机器人 让 人脸 识别 真正 “ 落地 ” 与此同时 ， 人工智能 的 发展 也 进入 了 新 的 阶段 。 
人们 不再 满足 于 将 计算机 仅仅 当成 一 种 工具 ， 而是 在 思考 能否 建立 、 模拟 出 人脑 进行 分析 学习 的 神经网络 ， 让 机器 能够 模仿 人脑 的 机制 来 解释 数据 。 
--
机器 不再 需要 人为 输入 算法 来 指示 它 进行 对 图像 的 判别 ， 而是 在 一 种 更 高阶 的 体系 下 ， 让 机器 更加 自主 地 完成 这项 工作 。 
学界 广泛 认为 ， 深度学习 是 过去 十 年中 人工智能 领域 的 最大 突破 ， 在 计算机 视觉 、 语音 识别 、 自然 语音 处理 等 领域 有 许多 应用 。 
《 麻省理工 科技 评论 》 还 将 其 列入 2013 年 10 项 最 具 突破性 技术 。 
--
也就是说 ， 除了 人脸 识别 ， 还要 综合 运用 指纹识别 、 声 纹 识别 、 眼 纹 识别 等 多 因子 生物 特征 ， 更好 、 更 安全 地 服务 用户 。 
揭秘 如何 训练 人工智能 机器人 谢 忆 楠 介绍 ， 所谓 深度学习 ， 打 个 形象 的 比喻 就 像是 在 “ 教 小孩儿 ” 。 
在 深度学习 的 程序 中 ， 第 一个 步骤 是 人脸 检测 ， 即 在 一 张 照片 中 把 人脸 结构 勾画 出来 。