当初|格灵深瞳是做什么的？( 三 ) 当初

那么三维成像技术究竟牛在什么地方？
在机器视觉系统中的流程为：
首先照明光源发出的光照射在被测物体上，再通过相机捕获图像，然后由图像采集卡收集并经计算机存储，最后再进行一系列后期处理。但这种仅仅获取一张2D图像技术并不能像人眼一样精确了解物体距离、位置关系等更多信息。
于是便诞生了三维成像技术，这也正是格灵深瞳引以为豪的地方，其目前采用的三维成像技术分支是结构光（双光温测识别设备）和立体成像（皓母行为分析仪）。前者在iphone上用来做人脸识别，后者类似模拟人类的双目视觉。

文章图片
图片：机器视觉实现原理来源：网络

文章图片
图片：格灵深瞳图像采集设备一览来源：公司官网
GoogleGlass的产品设计上，三维成像技术是为了服务于SLAM（同步定位与建图)技术的，而自动驾驶是建立在SLAM技术的基础之上：小到做扫地机器人科沃斯，市值最高时1450亿元；大到自动驾驶电动车公司特斯拉，市值一度1.3万亿美金。
格灵深瞳如果把技术的想象力落到实地，那可真的了不得，但天不遂人意。
GoogleGlass虽然是一步到位的完成视觉信息收集，但落地难度很大。需要算法难度很高，同时对传感器的精度要求也很高。在AI刚刚兴起的2014年，算法的不成熟外加高精密传感器的成本，把格灵深瞳的技术优势“锁在”技术储备阶段，无法从实验室里面出来。
这种空有一身武艺，让市场认为格灵深瞳拥有巨大的营收预期，而忽略实际落地中出现的种种问题。
诸如在图书馆里把风吹动的窗帘识别是人。
把背着包的人识别是两个人。
在广场上因为光照太强而算法失效。
而彼时的商汤、旷视等公司大多选择用打标注、灌算法的模式逐渐让计算机学会识别人脸。方式虽然笨点，但好在除了工作量巨大之外，方案的推进落地还算有条不紊。并且技术随着方案落地，逐渐掌握核心算法技术，优化实现效果与配置之间的能效比之后，并不比三维成像技术差。
也就是这段时间，格灵深瞳被困在“高级算法”的闭门造车中。错过了商业变现的时机，也错过了自动驾驶的风口。虽然在之后的2016年开始转向以商业变现为优先的研发，但业务也回归到类似于识别车牌号去了。
AI公司的良性业务循环应当是：AI公司攻略前沿的算法技术，把算法在技术难度高的场景落地实施，从而获取数据，最终再度用来攻克前沿算法，无差别的去赋能所有行业。
能否跟上时代潮流和开发新算法，决定了AI公司能够持续站在舞台之上。格灵深瞳早期技术与落地脱节，导致为了活下来在技术门槛不高的场景里打转。
和其他AI公司一样，格灵深瞳同样是超高的研发收入比，上市募资去研究新技术和开发新平台，确实是很有必要。但更为紧迫的是，格灵深瞳客户集中度高，且前五大多为终端用户（一般AI公司客户集中度高是因为把产品卖给集成商），应该考虑开拓更多技术落地场景。
【当初|格灵深瞳是做什么的？】要不然，咱还是先抓紧找客户去吧。