iPhone X的FaceID生物識別技術首次亮相就引起了一片「恐慌」。有吐槽說，這一功能可能讓iPhone失去一批男性用戶（尤其是已婚男士），反之，這也有可能讓一批男性「被迫」提前用上iPhone X。其實，這完全是「杞人憂天」。
理論上，你只需要看一眼手機，啟用了FaceID功能的iPhone X就會在一秒鐘內識別出你的臉部特徵，並自行解鎖，同時，這一技術也將被用於Apple Pay支付和第三方應用等場景中。
有吐槽說，這一功能可能讓iPhone失去一批男性用戶（尤其是已婚男士），反之，這也有可能讓一批男性「被迫」提前用上iPhone X。
其實，這完全是「杞人憂天」。讓我們先了解一下FaceID的「工作原理」蘋果公司在iPhone X中使用了「TrueDepth攝像機系統」（也就是「齊劉海」部分），通過使用裡面的傳感器和點陣投影儀，投射出3萬多個點，就能形成一張完整的3D「臉譜」用來識別用戶臉部。據悉， iPhone X將採用定製的晶片來處理人工智慧工作負載，這是一個雙核的「 A11生物神經網絡引擎」晶片，每秒運算次數最高可達6000億次，該晶片賦能的最重要的事情就是使Face ID身份認證功能能夠快速識別人臉。而為保證用戶的隱私，讓用戶更放心，蘋果稱所有相關的數據運算都將發生在本地，不會被上傳到雲端或是回傳到蘋果公司。
同時，經過不斷被訓練的神經網絡建模識別人臉，當你的iPhone X識別你的臉部次數越多，它就會對你越熟悉。不管你是換髮型、留鬍子、戴帽子、戴眼鏡，還是光線強弱不同，它都會認出你。
同為生物識別技術，TouchID的解鎖錯誤率是五萬分之一，而FaceID則是一百萬分之一，成功率極高（雖然蘋果高級副總裁Craig Federighi在發布會上嘗試使用FaceID功能解鎖手機卻失敗）。對此，大家也不必過度「恐慌」。庫克在發布會上表示，FaceID要求使用者在刷臉解鎖時必須「集中注意力」（require「user attention」），所以，當手機遠離眼睛，或者用戶閉著眼睛時就不會解鎖，你根本不用擔心在自己睡覺時手機被解鎖（除非你像張飛一樣睜著眼睛睡覺）。
事實上，近幾年來以來，業界對於臉部識別的應用「屢試不爽」，但一直因為安全問題被詬病。比如只需要通過一張電腦所有者的照片，就可以輕鬆進入設置了臉部識別登錄方式的電腦；再比如流行科學作家丹·莫倫（Dan Moren）通過一個視頻就擊敗了阿里巴巴的面部識別系統。
然而，一直以「安全」標榜自己的蘋果，定然也不會允許這樣一個「萬眾矚目」的新功能讓自己的「人設」輕易垮掉。在這周小米的新品發布會上，小米也推出了人臉識別解鎖方面的方案，雖然都是「人臉識別」，但具體技術卻有很大的差距。
蘋果的FaceID，採用的是結構光雙攝方案，通過將3萬多個光點的網絡投射到人臉上，並隨著用戶轉動頭部以映射臉部3D形狀，最終形成的是一個三維圖像，這也是目前安全性最高的人臉識別方案。而小米Note更多還是二維人臉解鎖的方案。
當然，即使是三維面部識別系統也並不是「萬無一失」。就在兩年前，柏林的SR實驗室使用石膏模具，破解了微軟的Hello面部識別系統。這一嘗試在多個使用相同類型紅外深度感應攝像機的品牌筆記本中都成功了。SR 實驗室的創始人Karsten Nohl指出，他們使用的模具不僅模仿了用戶的臉部形狀，還模仿了皮膚的光反射性能。
為了證明自己，蘋果甚至與好萊塢模型團隊進行了人臉模型對比驗證，以保證FaceID所識別的人臉不能被包括蠟像、模具等在內的任何仿製品所替代。在發布會現場，Federighi展示了一些非常逼真的面具製品，並表示經過測試，即使是這些面具再逼真也無法破解FaceID系統。他說，從理論上來說，也許這個世界上有人能夠跟你長的非常相似，他可以破解你的手機系統，但是這種概率大概是一百萬分之一。當然，如果是雙胞胎，這個概率就會大大提高。
其實，關於人臉識別的安全性問題很多人心裡依然沒底，也許只有經過公開測試才能真正打破用戶的疑慮。 但即便如此，目前，已經有很多金融機構開始採用人臉識別幫助用戶進行開戶、轉帳、付款，包括支付寶、券商、銀行等等。以招商銀行為例，目前人臉識別已經能夠實現手機端超過 50 萬的轉帳；對於標準化的個人業務，配置了人臉識別系統的智能櫃檯也已經在招行的線下網點投入使用（人臉識別時，系統會要求用戶做出對應動作，如點頭或者眨眼）。
總之，安全與體驗也許永遠沒法兩全。但，這並不意味著這道題無解，如果你的手機數據確實非常敏感，你完全可以選擇關閉FaceID識別功能，或者，你也可以選擇允許FaceID進行解鎖，但不用於付款（此解同樣適用於篇頭的「恐慌人群」）。
當然，還有網友對於卸了妝還能不能解鎖表示擔憂，對此，我想說的是——卸了妝能不能解鎖，你心裡沒點數嗎？其實，我自己比較擔心的是，如果我只是想用手機屏幕照個鏡子怎麼辦？
蘋果公司：在人臉識別領域早有布局話說回來，事實上，蘋果在人臉識別技術方面的布局已經不是一年兩年，最近幾年來先後收購了 PolarRose、PrimeSense、Perceptio、Faceshift、Emotient、Turi 等人臉識別相關技術公司。其中，2013 年收購的 3D 傳感技術公司 PrimeSense，曾經還因為給微軟的 Kinect 提供了傳感器而走紅。通過傳感器和中間件，可以讓設備感知周邊的三維環境，實現人機互動。這也是此次FaceID所涉及的關鍵技術之一。
除此之外，在去年年底，蘋果還發布了第一份關於人工智慧的學術論文《Learning from Simulated and Unsupervised Images through Adversarial Training》。這篇論文闡述了如何通過計算機生成圖像而非真實圖像來訓練算法的圖像識別能力。
蘋果在論文中稱，在機器學習研究中，使用合成圖像（例如來自一款視頻遊戲）來訓練神經網絡要比使用真實圖像更有效。因為合成圖像數據已經被標記和注釋，而真實的圖像數據需要有人耗費巨大的精力去標記計算機看到的每件事物，如一棵樹、一條狗或一輛自行車。
當然，使用合成圖像也存在一定的弊端，導致一種算法所了解的內容與真實世界中的場景有所不同。比如，合成圖像數據如果不夠真實，就會導致神經網絡只能了解到合成圖像中所呈現的細節，而對真實圖像的認識有所不足。
為解決該問題，提高合成圖像數據的訓練效果，蘋果研究人員推出了「模擬+無監督」的學習方法，以提高模擬圖像的真實感。蘋果研究人員使用一種經過修改的新型機器學習技術，被稱為「生成對抗網絡」（GAN），讓兩個神經網絡彼此對抗，從而生成更逼真的圖像。
模擬+無監督（S + U）學習：通過學習模型，並使用未標註的真實數據，利用模擬器改善合成圖像的真實性，同時保留注釋信息用精煉神經網絡R來優化模擬器的輸出未標記的真實圖像&模擬圖像大膽地推想，蘋果應該把這樣一套方法論應用在了iPhone X 的 FaceID功能中。
關於人臉識別技術
人臉識別技術是指利用分析比較的計算機技術識別人臉，其中包括人臉追蹤偵測，自動調整影像放大，夜間紅外偵測，自動調整曝光強度等技術。廣義的人臉識別包括構建人臉識別系統的一系列相關技術，包括人臉圖像採集、人臉定位、人臉識別預處理、身份確認以及身份查找等；而狹義的人臉識別特指通過人臉進行身份確認或者身份查找的技術或系統。
技術流程：
人臉圖像採集及檢測人臉圖像預處理人臉圖像特徵提取人臉圖像匹配與識別關鍵技術
基於特徵的人臉檢測技術：通過採用顏色、輪廓、紋理、結構或者直方圖特徵等進行人臉檢測。基於模板匹配人臉檢測技術：從資料庫當中提取人臉模板，接著採取一定模板匹配策略，使抓取人臉圖像與從模板庫提取圖片相匹配，由相關性的高低和所匹配的模板大小確定人臉大小以及位置信息。基於統計的人臉檢測技術：通過對於「人臉」和「非人臉」的圖像大量搜集構成的人臉正、負樣本庫，採用統計方法強化訓練該系統，從而實現對人臉和非人臉的模式進行檢測和分類。
基本方法：
幾何特徵的人臉識別方法：幾何特徵可以是眼、鼻、嘴等的形狀和它們之間的幾何關係（如相互之間的距離）。這些算法識別速度快，需要的內存小，但識別率較低。基於特徵臉（PCA）的人臉識別方法：特徵臉方法是基於KL變換的人臉識別方法，KL變換是圖像壓縮的一種最優正交變換。高維的圖像空間經過KL變換後得到一組新的正交基，保留其中重要的正交基，由這些基可以張成低維線性空間。如果假設人臉在這些低維線性空間的投影具有可分性，就可以將這些投影用作識別的特徵矢量，這就是特徵臉方法的基本思想。這些方法需要較多的訓練樣本，而且完全是基於圖像灰度的統計特性的。目前有一些改進型的特徵臉方法。神經網絡的人臉識別方法：神經網絡的輸入可以是降低解析度的人臉圖像、局部區域的自相關函數、局部紋理的二階矩等。這類方法同樣需要較多的樣本進行訓練，而在許多應用中，樣本數量是很有限的。彈性圖匹配的人臉識別方法：彈性圖匹配法在二維的空間中定義了一種對於通常的人臉變形具有一定的不變性的距離，並採用屬性拓撲圖來代表人臉，拓撲圖的任一頂點均包含一特徵向量，用來記錄人臉在該頂點位置附近的信息。該方法結合了灰度特性和幾何因素，在比對時可以允許圖像存在彈性形變，在克服表情變化對識別的影響方面收到了較好的效果，同時對於單個人也不再需要多個樣本進行訓練。線段Hausdorff 距離(LHD) 的人臉識別方法：心理學的研究表明，人類在識別輪廓圖（比如漫畫）的速度和準確度上絲毫不比識別灰度圖差。LHD是基於從人臉灰度圖像中提取出來的線段圖的，它定義的是兩個線段集之間的距離，與眾不同的是，LHD並不建立不同線段集之間線段的一一對應關係，因此它更能適應線段圖之間的微小變化。實驗結果表明，LHD在不同光照條件下和不同姿態情況下都有非常出色的表現，但是它在大表情的情況下識別效果不好。支持向量機(SVM) 的人臉識別方法：支持向量機是統計模式識別領域的一個新的熱點，它試圖使得學習機在經驗風險和泛化能力上達到一種妥協，從而提高學習機的性能。支持向量機主要解決的是一個2分類問題，它的基本思想是試圖把一個低維的線性不可分的問題轉化成一個高維的線性可分的問題。通常的實驗結果表明SVM有較好的識別率，但是它需要大量的訓練樣本（每類300個），這在實際應用中往往是不現實的。而且支持向量機訓練時間長，方法實現複雜，該函數的取法沒有統一的理論。
算法分類：
基於人臉特徵點的識別算法（Feature-based recognition algorithms）基於整幅人臉圖像的識別算法（Appearance-based recognition algorithms）基於模板的識別算法（Template-based recognition algorithms）利用神經網絡進行識別的算法（Recognition algorithms using neural network）