1、科学将成为人工智能的主战场，创新源于底层突破并与实际需求相结合
如今，人工智能在中国的发展如火如荼，各类应用如自动驾驶、机器人、计算机视觉、自然语音处理、人脸识别等层出不穷。鄂维南院士指出，这些固然是人工智能非常好的应用领域和场景，但更应认识到，科学将成为人工智能的主战场，而新一代人工智能的基础其本质问题就是数学的问题。
鄂维南院士总结了数学史上的三大里程碑。第一个时代是牛顿时代，牛顿的工作明确无误地奠定了数学成为自然科学的语言的地位。第二个时代是冯诺伊曼时代，让我们认识到科学计算是通往应用的主要桥梁。第三个时代是当今时代，作为人工智能和科学研究新范式的基础，数学走到了科学和技术创新的最前沿。
在其中，机器学习将成为推动应用数学的主动力。通过机器学习和传统应用数学的方法的结合，可以解决很多实际问题，包括指纹、图像、自然语言等等。鄂院士以与学生邰骋、汤林鹏联合创办的墨奇科技为例，指出墨奇科技从基本原理出发，探索非结构化数据库的突破性的创新，结合应用场景之一生物特征识别认证，从算法到软件到平台实现，再到产品落地，解决了身份认证的现实挑战。
以指纹识别来说，从技术架构上，只有深度学习是不够的。这是因为，深度学习有很大的局限性，如易受噪声干扰，具有内蕴的不稳定性，可解释性差，精度有瓶颈，需要大量标注数据等。
鄂院士指出，墨奇的技术架构从最原始的基本原理出发，也就是图像的编码、最有效的几何表示、索引、搜索算法和相应的系统等等，兼容深度学习，并达到了前所未有的速度和精度，比如在10亿指纹库达到秒级的搜索，而且精度非常高，正确答案排名前三率高达 99.99 %。除了精准可靠，生物识别还要保护隐私，包括结合疫情现实需求，墨奇构建了非接触的指纹采集认证系统。
鄂院士指出，在做科研的过程中会做一些模型和算法，而在这个基础上，甚至可以做一些产品，要做到这件事情，就必须要重视在落地方面各种功能的需求和市场的需求，这方面的思维对做应用数学的人来说也是不可或缺的。
2、生物识别的基本原理：为什么 1：N 识别难度远大于 1：1 验证?
邰骋在演讲中进一步阐释了保护隐私的生物识别。随着包括人脸识别在内的生物识别被广泛应用，隐私泄露问题逐渐引起人们的广泛关注。邰骋介绍了生物识别技术的原理，以及如何构造保护隐私的生物识别技术，让生物特征变得像密码一样可以修改，实现生物特征领域的公钥签名机制。
在日常生活中，身份认证的场景随处可见，比如门禁、考勤打卡、交易支付、交通出行等。邰骋介绍，通常身份认定的方式基本上是三类：一是基于你知道的信息，例如密码和口令；二是基于你拥有的东西，比如说U盾、身份证等；三是基于你的生物特征，包括指纹、人脸、虹膜、掌经脉、声纹、步态、足迹等身份特征。
生物特征比对方式，一般来说有两种。一种是验证，也称之为 1：1 的比对。二是识别，也称之为 1：N 的比对：
- 验证，是看这个人是不是他所宣称的人，例如手机解锁、去机场做身份证和人脸的核验等，都是属于 1：1 的验证问题，这相对比较容易。
- 识别，是 1：N 的问题，要回答的是这个人是谁。他可能没有证件，或者你不相信他是他宣称的人，只根据生物特征来进行识别身份。在身份核验或者黑名单查询等，这类应用就是一个 1：N 识别的问题，而且随着库容增大，会变得更加困难。
生物识别系统是用相似度来进行比对的，也就是衡量输入的相似程度来取一个阈值，如果说相似度高于这个阈值就接受，如低于这个阈值就不通过。如果说把相似度分数画下来，一个真的比对分数是比较高的，通常会在偏右的一方。如果说是错误比对，分数会比较低，在左边一方。但是他们可能有重叠。因为有重叠，所以系统会犯两种错误：
- 错比（false match/false accept）：把不同的人当成同一个人。
- 漏比（false nonmatch/false reject）：把同一个人当成不同的人。
1：N 的问题会比 1：1 的问题要困难很多。对于上面两类错误，我们可以用下面这个公式估算 1：N 的系统和 1：1 的系统的错误率。
下标N是指有 N 个人的 1：1 的识别，可以看到两类系统漏比率基本相当，而错比率 1：N 系统近似于是 1：1 系统的N倍。比如说 1 亿人的库的比对，和 1 万人的库的比对，可以说难度完全不同，几乎不是同一个问题。
针对这一点，在实际的应用中，参数选取是不同的。比如说有一些对安全性要求比较高的应用，主要关心的不要放坏人进来，所以对错比的控制要求非常高，但是漏了一点不要紧。而在刑侦应用当中，因为需要给定的现场指纹，要给定一些候选人的列表，同时因为有指纹专家人工核验，错一点不要紧，反而不希望漏过坏人，所以漏比是比较重要的。大部分的应用是在两者之间的，具体是什么样的参数，在实际应用当中是根据具体应用情况来确定的。
3、从技术角度看，如何设计保护隐私的生物识别系统？
生物识别的隐私泄露比账号密码泄露的严重得多，和密码不同，生物特征一旦泄露就永远泄露，所以对生物识别系统的安全的考量要比一般的账号密码要更高。
邰骋指出，一般来讲，无论是 1：1 系统还是 1：N 系统，都要通过一个基本的流程：采集、特征提取、比对、输出结果，给定是通过还是拒绝。而在这样系统中每一个环节，都有不同的攻击方式如下：
那么，设计保护隐私的生物识别系统要满足怎样的性质？邰骋表示，这一点业界有很多的讨论，并没有一个完整的共识，但是以下三点需要被满足：
- 第一，不可逆。用户的原始特征和采集到的模板，都被认为是用户的隐私信息，都应该被保护，而我们用来比对的是变换的特征，并存在数据库里。不可逆指的是，在给定比对特征的情况下，恢复原始的特征模板是非常困难的，最好是不能恢复的。
- 第二，可撤销。这一点可以参照密码的使用，比如说账号密码泄露后，我们是可以修改密码的。在生物特征当中，我们也希望可以做到这一点，一旦某一个模板泄露，我可以安全注销，然后签发一个新模板，这样就使得使用生物识别的方式和我们使用密码的方式一样可撤销。
- 第三，非关联性。我们希望用户有不同的生物识别应用，彼此之间并不关联，比如说有小区门禁的应用，支付的应用等等，并不交叉认证，这是非关联性的一个最基本的要求。
因此可以看到，保护隐私的生物识别是比较困难的问题，而现有系统很难达到。那我们通过什么途径去才能构造保护隐私的生物识别技术，才能达到上面的三个性质呢？
邰骋认为，核心的问题是对特征模板做保护。保护有两类，一类是通过对特征做某种变换，从而达到保护的目的；另一类是与密码系统相结合，可以构建一种生物密钥系统。构造保护隐私的生物识别技术还是一项在进行中的工作，目前有四个主要的方向：Salting，不可逆变换，Biometric Key，以及 Key-binding 生物密钥系统。
这四类实现方式在安全性来源、存储和比对精度的不同。
- 在安全性来源方面：第一种Salting的安全性来自于密钥是秘密的；第二种不可逆变换的安全性来自于函数的不可逆性；第三种生成密钥，它的安全性主要取决于多少信息被保留下来，放弃了多少信息；在第四种生物密钥中，则取决于辅助信息设计等。
- 从存储来看：在 Salting 的做法下，它是存了一个变换后的模板和一个 Key。在不可逆的变换下，它存储这个变换后的模板也存了一个 Key。在密钥生成模式下，没有存这个 Key，只存了变换的值。在生物密钥系统下，可以存一些辅助信息等等。后两种情况下，原始模板都没有被保存。
- 在比对精度方面：在 Salting 做法下，可以变换到跟原来模板同样的空间来做比对。在不可逆变换下，可能也是在原始变换空间内做比对。在密钥生成和密钥绑定的系统下，都可以使用纠错码来实现一定的纠错，然后再进行对比。
这四种方式都是业内正在探索的方向，特别是生物密钥系统和生物密钥绑定和生成这两种方法，有天生不用存密钥的优势，可以用来做一些真正保护隐私的识别。这是一个非常吸引人的领域，其中有很多问题都可以被转化为应用数学的问题，同时也是一个比较大的空白领域，有非常多激动人心的问题，需要业界共同努力进一步解决。
这也正是墨奇科技持续努力的领域，墨奇科技也将继续致力于为数十亿人提供保护隐私、安全可靠的下一代身份认证和识别服务，研发先进的人工智能技术来自动化地处理机器知识，最终增强人类处理信息的能力。
