1. 人工智慧臉部識別。除了這兩個還有哪些未來納米技術

人工智慧的行業方向主要分為搜索、圖像處理、計算機視覺、模式識別和圖像處理等，搜索方向如網路、谷歌、微軟等，包括智能搜索、語音搜索、圖片搜素、視頻搜索等。圖像處理如醫學的圖像處理，醫療設備、醫療器械都會涉及到圖像處理和成像。
人工智慧是需要人力、腦力、開發、高等技術與不斷的研究和嘗試等等一系列超高難度的作業才能完成的科技產品。當然這種研究是得到國家和人們大力支持的發展。它的發展對國際影響力是非常大的。人工智慧也可以定義為高仿人類，雖然不可能會像人一樣具有靈敏的反應和思考能力，但人工智慧是按照人類的思想結構等等的探索而開發的研究。
人工智慧的開發最主要的目的就是為了替人類做復雜、有危險難度、重復枯燥等的工作，所以人工智慧是以人類的結構來設計開發的，人工智慧在得到較好的開發後國家也是全力給予支持。人工智慧的開發主要也是為了幫助和便利人類的生活。所以人工智慧的定義一直以來都是以「協助人類」而存在的。人工智慧概念的火熱促進了不少行業的興起，比如域名，許多相關的.top域名已經被注冊。
以後可能在很多傳統行業，比如銀行，會有人工智慧幫你得到更好的收益。信用卡或其他的貸款會由人工智慧來決定哪些人士可以安全地放貸，而且會還錢。然後再往下人工智慧可以開始動了，就可以進入工業機器人、商業機器人，終進入家庭機器人。

2. 圖片相似度檢索

介個課題應該是比較有難度挑戰的。畢竟人工智慧的水平沒有這么發達。
現在的搜索引擎上面，「圖片搜索」實際上是「圖片解說文字搜索」，離真正的圖像相似檢索，還差得遠呢。

你的這一串數字應該是兩個圖像的不同特徵數字吧，比如顏色，輪廓，名稱等等，你滴數字長度很長，復雜的演算法也不現實。
可以分段求相關系數，具體可以參考概率統計里邊相關系數的概念，下面是matlab指令的corrcoef的效果
A =

1 2 3 4 5 6 7 8 9 10

>> B

B =

1.0000 2.0000 2.9000 4.0000 5.0000 6.2000 7.0000 8.0000 9.0000 10.0000

>> C=corrcoef(A,B)

C =

1.0000 0.9997
0.9997 1.0000

求相關系數，具體實現的時候可以有簡化或快速演算法，這都可以仔細斟酌的。

3. 人工智慧技術有哪些

.top域名給你解答：目前人工智慧行業的就業方向主要分為搜索、圖像處理、計算回機視覺、模式識答別和圖像處理等，搜索方向如網路、谷歌、微軟等，包括智能搜索、語音搜索、圖片搜素、視頻搜索等。圖像處理如醫學的圖像處理，醫療設備、醫療器械都會涉及到圖像處理和成像。

4. 百度圖片搜索引擎原理是如何實現的

圖片搜索的原理有三個步驟
1. 將目標圖片進行特徵提取，描述圖像的演算法很多，用的比較多的是：SIFT描述子，指紋演算法函數，bundling features演算法，hash function（散列函數）等。也可以根據不同的圖像，設計不同的演算法，比如圖像局部N階矩的方法提取圖像特徵。
2. 將圖像特徵信息進行編碼，並將海量圖像編碼做查找表。對於目標圖像，可以對解析度較大的圖像進行降采樣，減少運算量後在進行圖像特徵提取和編碼處理。
3. 相似度匹配運算：利用目標圖像的編碼值，在圖像搜索引擎中的圖像資料庫進行全局或是局部的相似度計算；根據所需要的魯棒性，設定閾值，然後將相似度高的圖片預保留下來；最後應該還有一步篩選最佳匹配圖片，這個應該還是用到特徵檢測演算法。
其中每個步驟都有很多演算法研究，圍繞數學，統計學，圖像編碼，信號處理等理論進行研究。

根據Neal Krawetz博士的解釋，原理非常簡單易懂。我們可以用一個快速演算法，就達到基本的效果。
這里的關鍵技術叫做"感知哈希演算法"（Perceptual hash algorithm），它的作用是對每張圖片生成一個"指紋"（fingerprint）字元串，然後比較不同圖片的指紋。結果越接近，就說明圖片越相似。下面是一個最簡單的實現：
第一步，縮小尺寸。
將圖片縮小到8x8的尺寸，總共64個像素。這一步的作用是去除圖片的細節，只保留結構、明暗等基本信息，摒棄不同尺寸、比例帶來的圖片差異。
第二步，簡化色彩。
將縮小後的圖片，轉為64級灰度。也就是說，所有像素點總共只有64種顏色。
第三步，計算平均值。
計算所有64個像素的灰度平均值。
第四步，比較像素的灰度。
將每個像素的灰度，與平均值進行比較。大於或等於平均值，記為1；小於平均值，記為0。
第五步，計算哈希值。
將上一步的比較結果，組合在一起，就構成了一個64位的整數，這就是這張圖片的指紋。組合的次序並不重要，只要保證所有圖片都採用同樣次序就行了。
得到指紋以後，就可以對比不同的圖片，看看64位中有多少位是不一樣的。在理論上，這等同於計算"漢明距離"（Hammingdistance）。如果不相同的數據位不超過5，就說明兩張圖片很相似；如果大於10，就說明這是兩張不同的圖片。
具體的代碼實現，可以參見Wote用python語言寫的imgHash.py。代碼很短，只有53行。使用的時候，第一個參數是基準圖片，第二個參數是用來比較的其他圖片所在的目錄，返回結果是兩張圖片之間不相同的數據位數量（漢明距離）。
這種演算法的優點是簡單快速，不受圖片大小縮放的影響，缺點是圖片的內容不能變更。如果在圖片上加幾個文字，它就認不出來了。所以，它的最佳用途是根據縮略圖，找出原圖。
實際應用中，往往採用更強大的pHash演算法和SIFT演算法，它們能夠識別圖片的變形。只要變形程度不超過25%，它們就能匹配原圖。這些演算法雖然更復雜，但是原理與上面的簡便演算法是一樣的，就是先將圖片轉化成Hash字元串，然後再進行比較。

5. 關於人工智慧與搜索引擎

實際你的問題抄主要就是集中在圖像識別上。如果程序能從圖像中獲取有用信息，那程序人工智慧就能解決人眼的問題，但目前處理圖像的程序好像只有人臉識別、指紋識別、手寫體識別等簡單的識別，你看，如果囊括到世間萬物，都要讓電腦來識別，是不是很難。我想至少用以上三種的建模思維是解決不了這個問題的。
再者，如果真能從圖片中提取了信息，那麼這個信息用什麼語言表示（是否是自然語言），一幅圖包含的信息是無限的，自然人也只能根據生活經驗提取幾個簡單的信息。所以，如果電腦真能提取信息，那其又怎能知道你要的是哪方面的信息呢？
這是本人對這方面的一個認識，我並不是否人這種功能不能實現，但個人感覺目前難度太大

6. 人工智慧是如何提高圖像的識別准確率的

你說的人工智慧 應該指的是深度學習框架
而且是相對過去的技術

深度學習如何提回高圖像答識別率，主要是因為特徵選擇已經不需要做了，以前圖像處理都是用某個演算法先抽取圖片里的特徵， 然後再用演算法分析，現在深度學習是一體了，自動抽取，所以有時候 識別的角度未必是圖片上的某些元素，而是你想像不到的地方

7. 人工智慧在技術上的運用都有哪些

.top域名給你解答，目前人工智慧的技術應用主要分為搜索、圖像處理、計算機視覺、模式專識別和圖像屬處理等，搜索方向如網路、谷歌、微軟等，包括智能搜索、語音搜索、圖片搜素、視頻搜索等。圖像處理如醫學的圖像處理，醫療設備、醫療器械都會涉及到圖像處理和成像。

8. 關於計算機人工智慧圖像識別入門書籍

先看看《數字圖像處理》，中文或者外文的都可以，然後看看《神經網路》、《有限元分析》等。