生物识别技术落地应用将面临的挑战有哪些

多模态的生物识别技术已经从概念包装、探索商业模式来到行业落地的阶段，应用时机已到，未来增长潜力有望持续释放。

随着生物识别技术日趋成熟及应用场景的不断拓展，近十年来，我国生物识别行业市场一直保持着稳定性的高速增长。据前瞻研究院发布的《2018-2023年中国生物识别技术行业市场调研与投资预测分析报告》显示，2002至2015年，国内生物识别市场的年复合增长率达到50%，2016年生物识别市场规模达到120亿元左右。预计到2021年，中国生物识别行业的市场规模将突破340亿元。

从几大主流生物识别技术的市场应用情况来看，指纹识别技术发展最为成熟且成本较低，因此应用范围也最为广泛，基本占据了生物识别总市场规模近三分之一的规模。人脸识别随着深度学习、大数据和算力的提高，这几年市场规模增长迅猛，当前正处于技术落地应用的冲锋阶段。而以安全性著称的虹膜识别技术相对还处于新兴阶段，技术也日趋成熟，在一些特定场景下已经能够实现很好的应用，目前也正在朝着越来越广泛的应用方向拓展。

除了指纹、人脸、虹膜三大主流生物识别技术之外，基于人体生物特征属性，诸如指静脉、掌纹、声纹、步态等次常规生物识别技术也随着应用场景的开启纷纷迎来了技术商用的机会，拓展出各自的应用市场。

生物识别技术的广泛应用很大程度上是为了提升各场景下个人身份认证的安全性、认证效率及认证过程中的用户体验。然而，在诸多实际应用场景当中，由于单一生物识别技术仍存在一定应用缺陷，比如指纹易磨损、易复制，人脸识别对外界环境要求高且具有“照骗”隐患，虹膜识别应用成本相对较高等因素，因此，越来越多基于多模态生物识别技术的产品和方案开始诞生并受到市场关注。

通过将两种及两种以上的生物识别技术进行组合，其所构成的多模态生物识别可以很好的补齐单一生物识别存在的技术应用缺陷。例如，可以把人脸决策权重和指纹决策权重结合在一起，既能提高准确率，又能扩大应用场景。

当下，多模态已然成为生物识别技术领域的显著趋势，尤其在一些安全等级要求较高的应用场景当中，往往会采用两种甚至两种以上的生物识别技术进行身份验证，取长补短融合发展。

在这个过程中，融合不是固定的，而是灵活的，需要根据不同的应用需求和场景需求来选择合适的融合方式和权重。从目前市场的发展情况来看，多模态生物识别技术已经从概念包装、探索商业模式迈入到行业落地应用的阶段，随着诸多行业领域精细化发展的目标驱动，无论是为提高B端用户的安全和管理效率还是C端用户的使用体验，多模态生物识别的市场潜力已经被全面激活。

如何推进多模态生物识别技术的场景化落地？

随着市场商机的涌现，也有越来越多原本专注于单一生物识别技术的企业开始尝试朝多模态生物识别技术和方案提供商的企业角色转型。

然而“机器视觉”也好，“图像识别”也好，“生物识别”也好，其实都属于模糊识别，也就是只能告诉你“有多像”，而无法告诉你“一定是”。这就意味着每一种单一的识别技术都会有或多或少的局限性和识别极限，或者不适合的应用场景。

对于多模态生物识别技术企业而言，不论大家在算法、产品或解决方案单一方面的能力多么出众，最终考验企业的主要还是技术在场景中的落地能力。即通过多模态生物识别的统一融合，如何覆盖更多的应用场景和应用人群，进而创建完整的场景生态，从而进行大数据积累以及数据价值的挖掘。

那么如何推进多模态生物识别技术的场景化落地呢？这是一个需要理性规划的问题。

一项技术从研发到落地可能需要好几年的工夫，要想真正实现商业化或者盈利需要更长的时间。人工智能技术不像互联网技术是比较单一的一种产品形态，它的应用场景、技术范围也非常复杂。

生物识别作为一项典型的AI技术，要真正的落地到实际场景当中，为行业赋能，从技术厂商的角度来看，首先要有一个核心的算法作为驱动力，同时要有相适配的部分，即与不同场景相匹配的智能硬件连接客户作为触角。与此同时，软件平台也必不可少，它是对接用户复杂业务需求的“中控台”。基于该平台实现以大数据为核心的数据挖掘和智能服务，从而真正体现多模态生物识别技术带来的商业价值和数据价值。

也就是说，对于厂商而言，要推进技术在行业市场的真正落地，需要构建起从算法到硬件到后端平台端到端的解决方案能力，在完善的方案架构基础之上，再去针对性的响应不同客户的差异化诉求。

AI产业健康发展有赖产业链上企业共同推进

生物识别产业链上，以芯片、算法、软硬件产品或解决方案立身的企业比比皆是，大家立足于自己擅长的领域，从单点或多点切入，共同推动着生物识别市场的发展壮大，上下游之间的密切合作也由此构成了完整的产业闭环。

目前包括百度、腾讯、京东、科大讯飞等科技企业均推出了自有的AI开放平台，甚至免费开放一些基础的生物识别相关算法，这意味着AI算法能力的获取将比以前更为容易。而随着越来越多AI开放平台的推出，这其中蕴含着两种信号：一是AI算法红利将提前进入弱化期，原本以算法彰显技术能力的企业不得不进一步强化自身的技术壁垒，以保持核心的竞争力;

二是AI开放平台的推出，是人工智能发展到一定阶段的必然性趋势。从这个角度来说，人工智能技术不仅仅属于某一家公司，而是属于全人类。开放AI技术可以满足开发者和合作伙伴不同层次的需求，更快速的推进人工智能技术的优化，从而转化成赋能行业领域的核心驱动力。

在这样的产业生态之下，行业内的伙伴，一方面需要不断加强自己的技术壁垒，从算法、产品化能力上塑造核心的竞争力，找到自己的市场定位和商业模式，并且精耕细作。另一方面也应当抱团取暖，共同探讨如何分享蛋糕，如何规避风险，如何在巨头涌入的环境下找到自己的生存发展之道。

未来，可以预想，随着人工智能技术的日趋成熟，即便是技术门槛较高的人工智能行业，也同样可能陷入算法、产品或方案同质化的“怪圈”。这个怪圈的出现很大程度源于一些急于“上马”的AI开发者和平台提供商，为了追求速度，会将AI落地变得过度扁平化。

AI市场本身应该是创意、多元和深度的，要想避免这种局面的出现，首先企业自身还是要不断强化自身的技术实力，争取在行业市场的话语权；其次企业应该对AI本质规律、开发规律、未来走势有更理性的认知，避免急功近利；最后也离不开综合优势的加持，企业需从技术水平、团队建设、落地能力、商业模式、客户基础以及盈利能力多维度上构筑综合的企业实力。

强化短板 塑底层核心技术

一直以来，多数企业普遍注重应用层面的开发，在底层核心技术上鲜有投入，虽然可以迅速积累发展资金，但在技术链、供应链上会存在不少断点，忽视底层技术领域而导致的短板，就有可能成为企业的致命罩门。纵观全球，科技强则国强，而底层技术作为高科技领域的发展基础，正不断引起国家重视。

任何一种技术从研发到应用，到实现商业化，都需要经过漫长的积累过程，需要不断的验证和积累，需要不断去趟坑去填坑，需要行业内的伙伴共同把“蛋糕”做大。因此理解多模态生物识别技术赋能的真正的价值，找到最适合的场景去应用落地，包容和不断优化生物识别技术的应用缺陷，才能推进这项技术的持续演进，更好的实现多模态生物识别技术的商业化落地。