曠視科技聯(lián)合創(chuàng)始人兼CTO唐文斌

唐文斌，男，出生于浙江紹興，初中還未畢業(yè)就“毛遂自薦”進入紹興一中高中部，先后獲得全國信息學奧林匹克聯(lián)賽一等獎、全國信息學奧林匹克競賽金獎等大獎。高二時，被保送清華大學。清華大學計算機系研究生，曠視科技聯(lián)合創(chuàng)始人兼CTO 。北京市海淀區(qū)十大杰出青年 ，全國青少年信息學奧林匹克競賽、首屆“Yao Award”金牌獲得者。

2011年10月，唐文斌與兩位同學（印奇和楊沐）共同創(chuàng)立北京曠視科技有限公司。

曠視科技唐文斌所獲的榮譽

2009 首屆“Yao Award”金牌（由圖靈獎得主姚期智先生設(shè)立，每年金牌一名） 。

2012 創(chuàng)業(yè)家“克萊斯勒杯”黑馬大賽 年度總冠軍 。

2012 清華大學“挑戰(zhàn)杯”科技創(chuàng)新競賽特等獎 。

2016年，唐文斌被北京市海淀區(qū)團委評為海淀區(qū)十大杰出青年 。

曠視科技聯(lián)合創(chuàng)始人兼CTO唐文斌的訪談

去年，曠視科技Face++創(chuàng)始人兼CTO唐文斌接受了新智元專訪，談了曠視科技Face++的商業(yè)模式、公司定位以及人才和發(fā)展觀。

“沒有什么技術(shù)是不能被取代的?！碧莆谋笳f：“算法也好，技術(shù)也好，都是手段，最后能夠提供出去的是產(chǎn)品價值。”這位三十剛出頭的曠視科技Face++聯(lián)合創(chuàng)始人，對這家中國人臉識別獨角獸有著很清晰的定位：“曠視不是一家技術(shù)公司，曠視是一家產(chǎn)品公司，是一家以人工智能技術(shù)為核心的產(chǎn)品公司?！彼J為客戶最終一定是為產(chǎn)品價值買單。曠視的團隊人數(shù)從去年到現(xiàn)在翻了一番，增長到600多人，其中擴張速度最快、人數(shù)也最多的就是產(chǎn)品部門。

相比曠視更常出現(xiàn)在人們視野中的另一位聯(lián)合創(chuàng)始人印奇，唐文斌說他們的搭配是“印奇仰望星空，我腳踏實地”，更加側(cè)重工程的他關(guān)注如何選擇場景結(jié)合技術(shù)，給用戶帶來最大增值，“不是nice to have，而是must have”。他認為曠視工程團隊要做的事情是把算法邊界內(nèi)能夠自動化的任務(wù)全部交給機器去完成。他在尋找的也是復合型AI產(chǎn)品經(jīng)理，以及能夠隨時轉(zhuǎn)變?yōu)閞esearcher，時刻想著如何把research沒有價值的工作砍掉的懂算法、懂編程、更懂體系結(jié)構(gòu)的全棧AI工程師。

曠視不是技術(shù)公司，是產(chǎn)品公司

新智元：目前在人工智能領(lǐng)域尤其是深度學習技術(shù)落地，你認為真正的壁壘在哪里？

唐文斌：我認為深度學習技術(shù)的落地，核心的一個關(guān)鍵詞是“結(jié)合”。我們有一些很好的算法，比以前的性能提高了很多，但一定要找到合適的場景，把算法用進去解決問題，給用戶帶來明確的價值，這些價值不是“nice to have”，而是“must have”。

我們內(nèi)部有個說法，叫“用戶價值增量”——當你把技術(shù)用在場景中后，給用戶帶來的價值和用他原來的方式相比增量有多大，如果很大，那么這就是一個非常好的場景，如果增量只有一點，說明這要么不重要，要么你沒有看清本質(zhì)。以人臉識別為例，就是要不斷去思考，人臉識別到底是在哪些場景下，給誰、通過什么樣的方式，帶來了多大的價值。

賣技術(shù)的話，今天你能賣，明天他也能賣，所以一定要做深，深入行業(yè)，把產(chǎn)品做好，形成完整的一套業(yè)務(wù)服務(wù)，這并不是從用戶價值的角度去思考，而是公司生存的角度。極端一點說，我認為沒有哪家公司是無法取代的，客戶為什么選擇你而是不選擇另一家，一定因為你給他帶來的價值更大，他買單的是你產(chǎn)品的價值。

新智元：曠視如何找到這種技術(shù)跟場景價值增量高的結(jié)合點？

唐文斌：我們經(jīng)歷了好幾個階段。最早的時候，作為一家純技術(shù)公司，我們做了一個面向開發(fā)者的開放平臺，叫Face++，通過API的方式提供互聯(lián)網(wǎng)服務(wù)，美圖秀秀、快手等APP都用了我們的技術(shù)。第二個階段，我們開始關(guān)注技術(shù)到底在哪些場景下能給客戶帶來重要的價值——去尋找那些用戶需求感知非常強烈的場景。我們找了很多，最終決定在兩個場景進行業(yè)務(wù)的深入。

第一個是互聯(lián)網(wǎng)金融，通過人臉識別進行遠程身份認證，把線下業(yè)務(wù)線上轉(zhuǎn)化，讓用戶有更便捷的體驗，銀行這邊也實現(xiàn)了安全，這個增量是非常大的。第二個場景是安防，現(xiàn)在有大量的安防數(shù)據(jù)，人根本看不過來，而用機器去看，可以識別里面每一個人是誰，還可以識別逃犯，根據(jù)觀察到的人物行為模式進行預警，這是原本做不到的事情，這個業(yè)務(wù)價值增量也是巨大的。

同樣一個技術(shù)，比如人臉搜索（或者叫圖像搜索），你既可以用在搜索視頻看哪個影星出現(xiàn)在哪些電影片段中，也可以檢索監(jiān)控攝像頭視頻，在后面一個場景你可以解決老人、小孩走失的問題。所以，我們在這兩種場景下，一定選擇后者，因為后者價值更大。

曠視科技Face++的人臉識別做到什么程度了？

新智元：曠視現(xiàn)在的人臉識別做到什么程度了？

唐文斌：這個要取決于具體的場景和數(shù)據(jù)庫。在不同的場景下需求是不一樣的，比如說用人臉識別來做開門，員工走過來門就開了，這種個場景下要求召回率非常高，每個人都得識別出來，并且速度要非常快。我們給阿里集團做刷臉門禁，阿里現(xiàn)在幾萬人，基本上一天可以識別幾十萬次，大概誤報1~2次。

在安防場景下，數(shù)據(jù)庫會大很多，公安識別嫌疑人的訴求，最重要的一點就是不能老喊“狼來了”，這就要求識別出的盡量都是對的，我們一般會控制一個誤報率?，F(xiàn)在我們在安防場景下識別嫌疑人，基本上路過的嫌疑人都能夠識別出來，并且誤報不會超過30%。目前業(yè)界還沒有一個基準，但我們參加了很多樓宇、安防競賽，都是業(yè)界的最高水平。

現(xiàn)在經(jīng)常聽到99.9%，這只是在某個數(shù)據(jù)集上的表現(xiàn)，真正現(xiàn)實的問題和場景要比測試數(shù)據(jù)集難太多太多。其實最早是我們引領(lǐng)了刷benchmark這個風潮，后來我們又不怎么刷了。我們最早刷LFW，已經(jīng)基本刷到頂了，最后即使出錯，感覺好像也不是本質(zhì)問題，所以我們就沒有去管這個事情了。但現(xiàn)在大家還很瘋狂地在刷99.9%后面的位數(shù)，這沒有任何意義，LFW只有6000對數(shù)據(jù)，那個數(shù)據(jù)集早就已經(jīng)過擬合了。我認為大家要更關(guān)注的點，應該是更結(jié)合實際場景去解決問題。

新智元：曠視現(xiàn)在很多行業(yè)落地都跟政府有著很強的相關(guān)性，ToG是否是人工智能發(fā)展的一個重要方向？這是否是曠視發(fā)展的一個重要方向？

唐文斌：面向政府絕對會是人工智能發(fā)展落地的一個新方向。就像我剛才說的，我們要做什么，不做什么，選擇的邏輯是用戶價值，圖像識別或者人臉識別對于城市治理和公共安全能夠帶來非常大的價值增量，我們是非常愿意去做的。政府現(xiàn)在是我們最大客戶之一。當然，政府也非常支持現(xiàn)在的人工智能產(chǎn)業(yè)發(fā)展，在這種需求里面也給我們提供了很多的機會。

Research負責尋找算法之外的東西。邊界里面的全部通過工程實現(xiàn)自動化。

新智元：曠視的核心優(yōu)勢是什么？

唐文斌：深度學習有三個核心要素，算法、數(shù)據(jù)和系統(tǒng)，這三者是相乘關(guān)系——你有一個好的算法，用有很多數(shù)據(jù)去催它，當數(shù)據(jù)變多、算法變復雜后，還需要有一套很好的底層架構(gòu)和引擎來支撐。

從算法的角度講，我們請來了孫劍老師，希望孫劍老師帶著同學們在現(xiàn)有算法基礎(chǔ)上找到新的東西。算法就像人的智商，數(shù)據(jù)就像人的見識，見識決定了你能走到多高，而智商決定了你能走多遠，兩件事情都非常重要。我們的研究團隊其實就在智商這個方向上探索。而數(shù)據(jù)是一個更產(chǎn)品或者更工程的事情，我們需要在產(chǎn)品中設(shè)計一個好的方式，形成數(shù)據(jù)的循環(huán)，讓產(chǎn)品中的數(shù)據(jù)回來，不斷加深算法的訓練，讓它變成更強的算法。

我們也非常重視系統(tǒng)的建設(shè)，我們有自己研發(fā)的MegBrain深度學習引擎和Brain++平臺。如果說研究的價值在于去探索邊界之外的東西，那邊界之內(nèi)的，比如網(wǎng)絡(luò)結(jié)構(gòu)的搜索，都應該用機器來完成。我們的產(chǎn)品中常常會有的定制算法的需求，很多時候大框架都差不多，數(shù)據(jù)工程師把數(shù)據(jù)整理和準備好以后，就直接用系統(tǒng)把各種類型的模型都嘗試一遍，最后挑選出一個不錯的。

新智元：你提到了數(shù)據(jù)工程師，現(xiàn)在曠視在數(shù)據(jù)方面投入多少？有多少人標注數(shù)據(jù)？

唐文斌：全職標注的大約有300人，不算在600多人的團隊里面。我們還有很多工作是外包完成。我們內(nèi)部有標注的數(shù)據(jù)庫是PB級別。

新智元：你曾在清華擔任科協(xié)主席，也帶過中國奧林匹克信息學競賽團隊，可以說你是曠視最開始的首席人才官。你認為目前人工智能人才應該有什么樣的特點？曠視在選擇的時候看重什么特質(zhì)？

唐文斌：我覺得人才的類型是很多樣的，每一種類型的人才都是人才，光會寫paper的人才也是人才，雖然價值沒有那么大。在現(xiàn)在的人工智能發(fā)展態(tài)勢下，我們最需要的是復合型人才。做產(chǎn)品的時候會有產(chǎn)品經(jīng)理，但人工智能場景下的產(chǎn)品經(jīng)理需要更加復合。

我們團隊最早的一位同學，員工工號No. 5的“卿爺”，我們現(xiàn)在提供給小米、VIVO人臉解鎖的產(chǎn)品線都是他帶著團隊來做的，他需要有什么樣的能力？第一，懂算法，不一定要懂算法具體是怎么做的，但一定要懂算法的邊界在哪里——堅信這件事情一定能做到，但同時也要了解現(xiàn)在的算法有些東西是真的做不到。第二，有很好的工程判斷力，用算法的方式是從本質(zhì)去解決問題，而有些東西你會通過工程的方法去“不本質(zhì)的解決”，倒推出一個一個設(shè)計。第三，也是更為重要的，需要不斷從用戶的需求、用戶的場景、用戶的價值角度出發(fā)思考問題。這樣一個產(chǎn)品經(jīng)理，他需要比以往的產(chǎn)品經(jīng)理有更多工程上sense，更多算法上的sense。

從工程師的角度來講，我們有一個詞，叫“全棧AI工程師”，我們希望這位同學不僅數(shù)學好，懂算法，編程很強，還非常懂系統(tǒng)；算法編程都很懂才能做引擎，懂體系結(jié)構(gòu)你的引擎才能在不同的平臺上都跑得很好很快。這樣的人非常難找，但也是最強的。比如說我們做Brain++平臺的那幫人，他們提供的是訓練平臺，給到研究人員使用，他們知道Research是怎么使用這些東西，他們自己也隨時都能轉(zhuǎn)變?yōu)镽esearcher。同時，他們考慮Researcher做的哪些事情是沒有價值的，要把它工程化、系統(tǒng)化，最終的目標是消滅Researcher——所有在邊界范圍內(nèi)的Research都由系統(tǒng)來完成，而Research真正要做的事情是突破邊界，探索邊界之外的東西。

曠視在選擇人才的時候也是按照這個標準。如果有這樣的人，我們特別特別希望你能夠加入我們，我們團隊里有很多這樣的人，你跟他們在一起一定會非常愉快。其次，我們也很看重學習能力，現(xiàn)在領(lǐng)域發(fā)展很快，你需要非常快速地跟上節(jié)奏去嘗試你的新想法，所以學習能力和動手速度非常重要。我們也有實習生項目，總之歡迎你來，孫劍老師帶你飛對吧（笑）。

算法與硬件結(jié)合，從源頭抓起控制成像質(zhì)量

新智元：曠視的算法、軟件如何與硬件相結(jié)合？

唐文斌：我們有自己的深度學習引擎MegBrain，這個引擎在不同的品牌上做了非常多的底層優(yōu)化，能夠跑得非?？臁Ｎ覀冏罱龅囊豢钪悄芟鄼C產(chǎn)品，這個相機是業(yè)界第一款全幀率、全畫幅（1080P）智能人像抓拍機。

全幀率的意思就是說，每秒30幀，每幀都去抓取，在業(yè)界這個指標是最高的。有的嫌疑人員有很強的反偵察意識，一看到攝像頭會馬上低頭，如果相機不能以非?？斓乃俣茸龀鼋厝。赡苤挥?00毫秒，一兩幀之后這人就消失了。同時，每一幀都檢測，也能確保總是能抓到質(zhì)量最好的一幀，為后續(xù)應用服務(wù)。以往的相機在畫面中抓拍做檢測，基本上最多只能抓拍畫面中10到20個人，再多就抓不到了，因為計算量不行。我們可以做到128張人臉，很大的人流也能跟蹤得很好。

我們用的是自己設(shè)計的FPGA芯片，在算法層面也做了很大升級。硬件也好，算法也好，引擎也好，這幾個東西是要聯(lián)合優(yōu)化的。這也是自己做引擎的廠家好的地方，我的引擎可以根據(jù)算法的需求去調(diào)整。

新智元：未來1年曠視會怎樣？未來3~5年呢？

唐文斌：我們分幾個組，研究院大概10%~15%的力量可能在解決2~5年的問題，更多的人在解決一年以內(nèi)的問題，因為創(chuàng)業(yè)公司要務(wù)實聚焦。在介紹產(chǎn)品時候也講過，比如說我們?yōu)槭裁醋鱿鄼C，并不是因為覺得相機賺錢，而是我們想當視頻大數(shù)據(jù)平臺，發(fā)現(xiàn)源頭數(shù)據(jù)不好，后面再怎么分析也沒用，所以我們要在源頭上通過自己的方式把質(zhì)量控制好，讓后面的分析能力能夠更強，形成端到端的解決方案和業(yè)務(wù)價值。

我們希望未來一年左右，在金融和安防這兩個場景下能夠站深、站穩(wěn)，希望在這兩個行業(yè)形成全系列的產(chǎn)品，端到端的解決方案，給用戶一套完整的價值鏈條。我們內(nèi)部有個說法是“4+2+X”，在微型場景下，把臉人車文字這4個要素識別做好，再后希望能夠形成機器人的手和腿，做一些限定場景的機器人應用?！癤”是指通過Brain++這個平臺快速做技術(shù)的定制，讓這個場景真正的能夠形成一個完整的產(chǎn)品鏈。但真真實實地講，領(lǐng)域發(fā)展這么快，未來3~5年，我真的不知道！

新智元 AI World 2017即將啟幕

11月8日，在新智元 AI World 2017 世界人工智能大會上，曠視科技首席科學家、曠視研究院院長孫劍博士將發(fā)表演講，聚焦人臉識別等視覺前沿技術(shù)和問題，為我們帶來計算機視覺最新技術(shù)和應用的精彩分享。

孫劍博士目前在曠視科技（Face++）擔任首席科學家、曠視研究院院長。2003年畢業(yè)于西安交通大學人工智能與機器人研究所，畢業(yè)后加入微軟亞洲研究院 （ Microsoft Research Asia），任職首席研究員。自2002年以來在 CVPR， ICCV， ECCV， SIGGRAPH， PAMI 五個頂級學術(shù)會議和期刊上發(fā)表學術(shù)論文 100+ 篇，Google Scholar 引用 25，000+次，H-index 60，兩次獲得 CVPR Best Paper Award （2009， 2016）。孫劍博士于2010被美國權(quán)威技術(shù)期刊 MIT Technology Review 評選為“全球35歲以下杰出青年創(chuàng)新者”。

孫劍博士帶領(lǐng)的團隊于2015年獲得圖像識別國際大賽五項冠軍 （ ImageNet分類，檢測和定位，MS COCO 檢測和分割），其團隊開發(fā)出來的“深度殘差網(wǎng)絡(luò)”和“基于區(qū)域的快速物體檢測”技術(shù)已經(jīng)被廣泛應用在學術(shù)和工業(yè)界。同時孫劍帶領(lǐng)的團隊的研究成果也廣泛被應用在微軟 Windows， Office， Bing， Azure， Surface， Xbox 等多條產(chǎn)品線上。目前孫劍博士正在帶領(lǐng)曠視科技的研究團隊推進計算機視覺技術(shù)的進步和探索其在工業(yè)和商業(yè)上的實踐。