“紮那個圖片識別的雛形軟件做出來之後，我看過內測報告，想要在一張照片上識別出人臉來，隻有不到1%的成功率。ＷｗＷＣＯＭ要是想進一步識別這張臉是誰，就更可憐了，準確率1%都不到——而且是在內測時被識別樣本隻有1人的基礎上。要是選項更多一些，誤讀率就更高了。這份測試報告，你應該在紮的郵件裏見過吧。”
李瑩輕柔地跟著顧誠的節奏，漸漸有點兒弗拉明戈的意思了。嘴裏著的，卻是嚴肅得不能再嚴肅的生意話題。
因為是在舞池裏，雙方都怕話聲音太響泄密，隻能貼著耳朵，這場景實在是很詭異。
顧誠也附耳道：“看過，這方麵我可是專業的，我估計他這套軟件，至少還要半年的時間，才能把‘識別照片上某個區域是不是一張人臉’這個判斷的正確率提高到%，至於認出這張臉是誰，沒兩年時間想都別想。”
人臉識別技術是用機器學習解決模糊算法問題的典範，曆史上FaeBk對該項技術最早的應用場景，就是讓用戶在分享照片之後，一旦點擊照片上的人頭位置，軟件就可以自動識別出這個位置是一個人頭，然後形成一個方框，讓用戶可以往裏麵填寫名字。
如此一來，一張有好多人合照的照片，就可以被一個個標注上合影人的名字了。
這項技術再往下展，某些人被標注得多了，數年後就可以形成“鼠標點到照片上的某個頭像上，自動跳出這個人是誰”的功能。
再往後，則是人們常見的“智能手機拍照時自動識別哪裏有人臉、以便自動對焦”乃至支付寶的“刷臉識別”。
那都是第二代、第三代人臉識別技術了，比如deepId，起碼再有七八年的技術積累才可能實現。
初代的人臉識別技術，在平行時空的華夏sns社區領域也有過應用——人人網的個人空間裏，照片也都是可以對著人臉寫名字的。
但那個時空的人人網技術不太紮實，在網站衰落之前也沒做到“機器看多了某張臉之後，下次另一張照片上再標注這個人時就舉一反三自動標示”這種程度（FaeBk做到了）。
顧誠知道這些曆史軌跡的大概脈絡，所以並沒有期待紮克伯格能更逆。
然而現在，沒有被任何存量束縛形成路徑依賴的李瑩，卻告訴他：她對這項技術的早期應用另有妙招。
“我就是這麼給紮潑冷水的，希望他能認清自己目前做出來的這個東西根本不值錢，別為這點成就沾沾自喜——”李瑩到這兒，頓了一頓拖了個長音，似乎在觀察顧誠的反應，“但是，背地裏我卻想到了另外一條路子，一個讓‘還處在殘次品階段的人臉識別算法也能得到商業化應用’的場景。”
顧誠終於覺得自己提起了點興趣：“幹脆點兒，。”
李瑩的眼神閃過一絲埋怨，似乎在怪顧誠都不賞賜她，但還是很利落地：“我覺得，yy網目前之所以用不到這項技術，是因為在米國不存在娛樂圈選秀活動。大家在朋友圈裏人臉識別，就是圖一個認得準，不準就沒有意義。但是在華夏，我聽你搞了一個娛樂圈的選秀活動，將來還會有更大規模的讓普通粉絲投票支持之類的舉動——我覺得，照片的人臉識別技術，和這個活動結合起來，就有很大的操作空間。”
顧誠的表情漸漸認真起來。場內的弗拉明戈舞曲已經結束，他也不顧李瑩是否反對，拉著她就回到包廂，關起門來密談：“看具體怎麼做。”
李瑩端起酒杯，又給自己倒了一杯喝下，把剩下的想法和盤托出：“很簡單，我覺得你可以推出一個‘人人熱度指數’。比如百度提供的是搜索引擎服務，就有相應的百度指數，可以看哪個關鍵詞目前最熱、每個關鍵詞搜索後有多少條搜索結果。
‘人人熱度指數’，可以在人人網和那些選秀節目結合起來之後，總結出每個候選藝人目前在人人網上的被關注熱度、被搜索圖片的數量、頻次。乃至最關鍵的——被人在照片頭像上標注名字的次數、以及其頭像當前被識別的估算準確率。
我們可以開誠布公地坦言：到時候人人網的‘人臉識別算法’依然是不完善的，識別率很低。但是我們也明這是一個會‘自我學習、自我進化’的軟件，在網上被爆照爆得張數越多、各種角度臉型數據越充分、被網民標示識別頻次越高的人，就越容易被識別對。
如此一來，人臉識別算法哪怕認錯人，用戶也不會怪我們公司，而是會認為因為自己爆照不夠多、被網民標示頻次不夠高，所以才認不準。她們隻會更努力地爆照、更努力的吸粉，更努力地拉人標注，並且以‘我在人人網上被機器認對的概率比其他網紅女更高’為榮。”
顧誠眼前一亮。
妙啊！
人臉識別技術，本該以求準為奮鬥目標，不準就會被用戶鄙夷。
但李瑩這麼一來，一項原本“對了是本分，不對是失職”的技術，就變成了“對了明你名氣大、牛逼；不對也是本分，明網上你的照片不夠多、看的人不夠多”的攀比遊戲。