在此背景下，配合带有深度学习计算能力的前后端硬件，开展前端数据的大量训练，才能实现产品和解决方案的落地。
　　泛化能力成为人脸识别发展的瓶颈
　　人脸识别技术长期面临着一个问题，即算法的泛化能力，这也是现阶段应用的主要瓶颈。
　　比赛中表现良好的模型在面对实际应用中千变万化的场景时，性能也会明显下降，尤其是无约束人脸识别，人脸往往有很多遮挡、光线不均匀的情况，表情、像素也不一样，面部姿态变化巨大，且还有静态和动态之分，算法限制很高。
　　因此，为推动人脸识别技术落地，往往会对场景进行严格定义，或者将算法定位为对指标不敏感的辅助功能。实际应用中，人证对比、人像采集等都需要设立具体的工程安装方案。不过，尽管这一做法推动了人脸识别技术的落地速度，但会造成较高的成本，影响人工智能算法对传统应用的渗透，也限制了获取信息的效率，不利于算法指标进一步提升。由此看来，人脸识别算法在实际应用过程中也有碎片化的特点。
　　人脸识别应用碎片化需求如何解决？
　　针对人脸识别技术碎片化的应用需求，软件的价值逐渐显现出来。相比硬件，软件具有高扩展性，尤其是在对接用户个性化需求方面，具有短、平、快的应用优势，客户可以按需定制，满足个性化需求。“软件定义”有望成为AI安防发展的重要推手。
　　除此以外，为推动人脸识别技术应用，安防行业龙头海康威视推出了AI开放平台，据悉，该平台拥有场景化的AI开放能力，只需基于少量数据，就能快速生成足以满足需要的应用，应用上线后再叠加新的数据做增量训练，从而实现算法的迭代与优化。值得一提的是，AI平台的开放可以吸引众多开发者，进而推出更多适合碎片化需求的应用，而更多类型的应用会吸引更多的客户，更多的客户又会反过来促使平台吸引更多的开发者，形成良性循环。人脸识别作为AI领域的重要技术，也将会随之进一步发展。
　　结语：目前，人脸识别技术基础和产品化已经较为成熟，因此下一阶段的命题就是如何系统化规模部署。不过，挑战与机遇并存，人脸识别仍然面临算法场景局限大的难题，能够在多大程度上解决这一问题，从而降低部署成本、开发深度应用，关系着人脸识别产品和方案能否真正在实际场景中落地生根。