其实手机ai人工智能软件的问题并不复杂，但是又很多的朋友都不太了解手机ai人工智能软件下载，因此呢，今天小编就来为大家分享手机ai人工智能软件的一些知识，希望可以帮助到大家，下面我们一起来看看这个问题的分析吧！

本文目录

1. ai万能助手靠谱吗
2. 哪些安卓手机适合AI应用？
3. 手机ai换脸app哪个最好用？
4. ai助理是什么意思

ai万能助手靠谱吗

靠谱，在相当长一段时间里，智能助手发展缓慢被网友戏称为“智障助手”。其远不能与钢铁侠的AI助理贾维斯、《幻塔》里那个有间歇式机智病的米娅相媲美。充其量，就是个无聊时用来调戏搞怪的对象。

哪些安卓手机适合AI应用？

苏黎世联邦理工学院曾经开发了一款AIBenchmark应用，用于测试不同安卓设备和芯片的深度学习性能。近期，他们联合谷歌、高通、华为、联发科以及Arm发布了一篇AIBenchmark综合测试结果的论文，对超过10000部移动设备进行了定量Benchmark测试，涵盖了当今所有主要硬件配置，并全面比较了高通、海思、联发科和三星芯片组的AI加速性能。

项目官网：http://ai-benchmark.com/

完整排行列表：http://ai-benchmark.com/ranking.html

APP链接：https://play.google.com/store/apps/details?id=org.benchmark.demo

论文：AIBenchmark:RunningDeepNeuralNetworksonAndroidSmartphones

论文地址：https://arxiv.org/pdf/1810.01109.pdf

摘要：近年来，手机、平板等移动设备的计算能力显著提升，达到了台式计算机不久之前的水平。尽管标准智能手机app对于手机来说已经不成问题，但还有一些任务（即运行人工智能算法）可以轻易难倒它们，甚至高端设备也不例外。本文介绍了深度学习在安卓生态系统中的现状，介绍了可用的框架、编程模型以及在智能手机上运行人工智能算法的局限性。我们概述了四个主要移动芯片组平台（高通、海思、联发科和三星）上的可用硬件加速资源。此外，我们还展示了用AIBenchmark收集的不同移动SoC的真实性能结果，AIBenchmark的测试涵盖了当今所有主要硬件配置。

图1：为第三方人工智能应用程序提供潜在加速支持的移动SoC。

AIBenchmark是一款安卓应用程序，旨在检测在移动平台上运行AI和深度学习算法的性能和内存限制。该Benchmark包含由直接在安卓设备上运行的神经网络执行的几项计算机视觉任务。测试使用的网络代表了当前可部署在智能手机上的最流行、最常用的架构，其详细描述及应用程序的技术细节如下。

任务1：目标识别/分类

神经网络：MobileNet-V1|CPU,NPU,DSP

图像分辨率：224x224px

ImageNet准确率：69.7%。

这是一个非常基础但很强大的神经网络，能够基于一张照片识别1000个不同的对象类别，准确率约为70%。经过量化，其大小可小于5Mb，再加上低耗内存，它可在几乎所有现有智能手机上使用。

任务2：目标识别/分类

神经网络：Inception-V3|CPU,NPU,DSP

图像分辨率：346x346px

ImageNet准确率：78.0%

这是对上一个网络的进一步扩展：更加精确，但代价是规模是原来的4倍且对计算的要求较高。一个明显的优势是——它可以处理分辨率更高的图像，这意味着更精确的识别和更小目标的检测。

任务3：人脸识别

神经网络：Inception-Resnet-V1|CPU

图像分辨率：512x512px

LFW得分：0.987

这个任务无需过多介绍：根据人脸照片识别出这个人。实现方式如下：对于每个人脸图像，神经网络会对人脸编码并生成一个128维的特征向量，该特征向量不随缩放、移动或旋转而改变。然后，在数据库中检索和此向量最匹配的特征向量（以及对应的身份），数据库里包含数亿个此类信息。

任务4：图像去模糊

神经网络：SRCNN9-5-5|CPU,NPU,DSP

图像分辨率：300x300px

Set-5得分(x3)：32.75dB

还记得用手机拍出的模糊照片吗？这个任务就是：让图片变得清晰。在最简单的情况下，这种失真是通过对未损坏的图像应用高斯模糊来建模的，然后尝试使用神经网络来恢复它们。在这个任务中，模糊是通过一种最原始、最简单、最轻量级的神经网络SRCNN（只有3个卷积层）去除的。但是即便如此，它仍然显示出相当令人满意的结果。

任务5：图像超分辨率

神经网络：VGG-19|CPU,NPU,DSP

图像分辨率：192x192px

Set-5得分(x3)：33.66dB

你有过缩放照片的经历吗？缩放时是不是会有失真、细节丢失或清晰度下降的问题？这项任务就是让缩放过的照片看起来和原图一样。在本任务中，网络被训练用于完成一项等效的任务：将给定的缩小后图像（如缩小四倍）恢复至原图。此处我们使用一个19层的VGG-19网络。尽管目前来看，该网络的表现并不惊艳，也不能重建高频部分，但它对于绘画仍是理想的解决方案：该网络可以让图像变得更加清晰、平滑。

任务6：图像超分辨率

神经网络：SRGAN|仅CPU

图像分辨率：512x512px

Set-5得分（x4）：29.40dB

任务同上，但完成方法略有不同：如果我们使用其他神经网络训练我们的神经网络会如何？我们安排两个网络去完成两个不同的任务：网络A尝试解决上面提到的超分辨率问题，网络B观察其结果，尝试找到其中的缺陷并惩罚网络A。听起来是不是很酷？实际上真的很酷：尽管该方法不尽完美，但结果往往非常惊艳。

任务7：语义图像分割

神经网络：ICNet|仅CPU

图像分辨率：384x576px

CityScapes(mIoU)：69.5%

有没有想过在手机上运行自动驾驶算法？这没什么不可能，至少你可以完成一大部分任务——根据车载摄像头拍摄的照片检测19类目标（例如，车、行人、路、天空等）。在下图中，你可以看到最近专为低性能设备设计的ICNet网络的像素级分割结果（每个颜色对应每个目标类别）。

任务8：图像增强

神经网络：ResNet-12|CPU,NPU,DSP

图像分辨率：128x192px

DPEDPSNRi-得分：18.11dB

看旧手机上的照片是不是觉得很难受？这个问题可以解决：经过恰当训练的神经网络可以让旧手机（即使是iPhone3GS）上的照片看起来非常好、非常时髦。要做到这一点，网络要观察、学习如何将来自低端设备的照片优化成像用DSLR相机拍出来的一样。当然，这一奇迹有一些明显的缺陷（如：每次换新手机模型都要重新训练网络），但得到的图像看起来非常好，尤其是旧设备上的照片。

任务9：内存极限

神经网络：SRCNN9-5-5|CPU,NPU,DSP

图像分辨率：4MP

参数：69.162

在任务4中我们已经认识了SRCNN，它是最轻便、简单的神经网络之一，但即便如此，在处理高分辨率照片时，它也会让大多数手机「给跪」：要处理高清照片，手机至少要有6GB的内存。这项测试的目的是找到你设备的极限：这个最简易的网络到底能处理多大的图像？

图7：在相关深度学习测试中向用户展示的结果可视化示例。

图8：测试结束后AIBenchmark给出的结果。

我们展示了超过10000部移动设备的定量Benchmark结果。每部设备/SoC的分数见表2、表3，包含每个测试/网络对一张图像的平均处理时间、可用SRCNN模型处理的最大可能图像分辨率，以及总计AI分数。这些分数是通过对应设备/SoC的所有结果去除异常值之后取平均得到的。结果细节将在下文中介绍。

神经网络

表1总结了本Benchmark包含的所有深度学习架构的细节。表2与表3中的结果和网络的相对处理时间以及内存消耗的理论期望高度一致。尤其是，第一个测试的量化MobileNetCNN相比相同的浮点模型仅需要1/3到1/4的RAM，并且其在CPU上的运行速度比Inception-V3CNN快了一个数量级。第三个人脸识别测试处理的是两倍大的图像，并且比第二个测试需要大约两倍的推理时间，意味着Inception-ResNet-V1和Inception-V3的性能是相当的。

表1：AIBenchmark中用到的深度学习模型的特点总结。

在图像到图像的处理任务中，最高效的模型是ICNet，因为计算主要发生在对图像/特征图的下采样。相同的方法也在SRGAN上使用，其中原始图像被下采样至128x128像素，并在这个分辨率上处理，直到最后两个层将其上采样至原始尺寸。因此，尽管使用了12个残差块，其处理时间仍然是合理的，不过使用下采样/上采样层处理512x512像素的图像使得RAM占用特别高。图像增强任务中使用的DPED网络包含4个残差块，在处理图像的过程中没有使用下采样，因此处理时间应该是之前案例的128x128x12/128x192x4=2倍，正如在实验中所展示的。

第五个测试中使用的VGG-19模型在所有CNN中是最消耗资源的，因为它由19个卷积层构成，在理论上其会比DPED慢19/12=1.6倍（它们的卷积层尺寸相似）；但是RAM的消耗分布仍处于相近的范围，因为其主要由最大卷积层的维度决定。最后，SRCNN模型比VGG-19和DPED都快得多，并且内存消耗由于相同的原因也非常相似。SRCNN可以处理的最高图像像素的尺寸随设备的总RAM大小而线性增长，尽管由于NNAPI中的一个bug，这对于安卓8.1以上的手机不适用，它们一般要消耗更多的RAM。我们应该注意目前所有的结论都是基于不支持硬件加速的结果，因为硬件加速能显著改变测试1、2、4、5、8和9的结果。

表2：多种安卓手机的Benchmark结果，完整列表在：http://ai-benchmark.com/ranking

表3：几个SoC的Benchmark结果，完整列表请参考链接：http://ai-benchmark.com/ranking_processors

智能手机和移动芯片

表2和表3的结果展示了使用AIBenchmark获得的一些测试结果，其中分别包括安卓智能手机和移动端芯片。完整的列表可以在项目网站上查看。在具体讨论测试细节之前，我们首先要提到几个AndroidNNAPIBugs，这些漏洞同样影响了表中的一些结果。首先是Android8.1默认NNAPI驱动的漏洞，卷积运算在禁用这些驱动的情况下要比在启用时性能快两倍。因此在为表3中展示的不同SoC计算平均runtime时，我们忽略了手机测试结果可能存在的这一问题。

虽然使用Android8.1和Kirin970芯片的华为手机使用的是他们自己定制的NNAPI实现，它还是会遇到另外不同的Bug：在长待机后，麒麟的NPU时钟速度会下降，并且在重启之前不会恢复。两个表中的结果都是在华为设备刚启动时测试的。最后因为3.2节中描述的ByteBuffer问题，在图像到图像的测试中使用AndroidNNAPI的RAM消耗要高了两倍，它所造成的后果可以在最后的内存测试中观察到。

我们在下面总结了每个Soc制造商的测试结果，并描述了市场上对应芯片的性能。

高通：骁龙芯片（Snapdragon）现在能为量化神经网络提供硬件加速（当高通的NNAPI驱动存在时），不过现有的商业设备并不支持浮点模型。包含这些驱动的第一代智能手机是配备骁龙845SoC和最新AndroidP固件的OnePlus6。它可以在HexagonDSP上25ms内运行量化MobileNet模型，这比对应CPU速度（60-65ms）快得多。类似的性能在包含相同Hexagon685DSP的骁龙670/710芯片中获得。带有Hexagon682的骁龙835和带有Hexagon680的骁龙636/660/820/821都采用相同的高通68xDSP家族，应该具有更长的运行时。

虽然目前高通NNAPI驱动还没有所支持加速的浮点模型官方测试，但骁龙625SoC相比于基于CPU的执行能实现两倍的加速，其中骁龙625SoC可能使用集成Adreno506GPU驱动程序的Beta版。虽然Adreno506的性能约为130GFLOPs，这意味着骁龙845SoC中的Adreno630（727GFLOPs）能潜在地提供3到4倍的加速，但具体的数字可能变化很大。

至于与矩阵/深度学习计算相关的CPU性能，目前最强大的高通核心是骁龙845SoC中的Kryo385Gold。与高通835的Kryo280核心相比，它展现出大约30％的提升。有趣的是，与带有定制化非Cortex的骁龙820SoC及内部的第一代Kryo相比，Kryo280表现出相似或稍微降低的性能（每GHz）。尽管第一代Kryo在设计上只有四个计算核心，但仍然比带有更新Kryo260核心的骁龙636/660快一些。以前在2013年由骁龙800/801所代表的Krait微架构仍然展现出很有竞争力的结果，性能优于2xx、4xx和6xx系列的大多数结果，甚至紧随基于Cortex-A57微架构的810和808芯片的测试结果。我们还注意到定制的高通CPU核心通常比默认ARMCortex架构表现出更好的结果。

华为：尽管海思SoC的CPU性能不如高通的那么令人印象深刻，其集成到麒麟970的NPU为浮点深度学习模型提供了巨大的加速效果。尤其是，根据任务类型，对比它的CPU它可以提供7-21倍加速的推理，对比总体最优的CPU结果它可以提供4-7倍的更优性能。在支持GPU加速的测试2、4、5、8中，它分别需要平均132、274、240和193ms的时间来处理一张图像。该NPU仅有的主要缺点是缺乏对量化模型的加速支持。在第一个测试中，所有的计算都是在CPU上运行的，每张图像的平均处理时间是160ms，这相比骁龙845启用DSP时的对应结果要高得多。尽管这个问题可以通过在麒麟的NNAPI驱动程序中实现量化模式得到解决，目前这项功能仍处于开发阶段。

至于其它的海思芯片组，目前都不提供AI应用的加速，因此所有的计算都是在CPU上进行的。由于所有的海思的SoC都是基于标准的ArmCortex核心，它们的性能和其它有相同Cortex架构的芯片组也很相似。

联发科：HelioP60是首个能利用NNAPI驱动程序以加速浮点和量化模型的芯片组。量化网络在其集成的APU上运行，并展示了在第一个测试中处理一张图像时和Hexagon685DSP—21ms相似的性能。浮点网络在Mali-G72MP3GPU上执行，并对比CPU提供了2-5倍的加速，相比总体的最优CPU结果其运行时要快1.5-2倍。我们应该注意所有这些数值都是在MediaTek的开发者手机上获得的结果，而仅有的基于HelioP60和NNAPI驱动程序的市场手机（vivoV11）得到了稍微差一点的结果。

其它联发科芯片组目前不支持AI应用的加速。它们是在标准ArmCortex设计的CPU核心上运行的。

三星：截至本文写作时，三星的所有SoC都不能提供第三方AI应用的加速：所有配置这些芯片组的手机使用了默认的NNAPI驱动程序。由于最新的Exynos9810SoC拥有相同的Mali-G72显卡。正如MediaTekP60芯片组一样（但其有12个核心而不是3个），如果ArmNN库被三星整合到NNAPI驱动程序中，我们预期对浮点神经网络会有3-4的额外加速因子。由于所有近期的SamsungExynos处理器使用了ArmMaliGPU，它们也适用同样的结论。

视任务类型而定，三星的MongooseM3CPU核心对比骁龙845的定制Kryo385核心可以展示显著更好或者更差的性能，但它们的总体性能是相当的。MongooseM2微架构相对于第一个M1版本有50%的显著提升，同时第二代（M2）和第三代（M3）的性能很相似。最新的Exynos8895和9810SoCs的一个值得注意的问题和它们的集成能耗管理系统（可调整CPU性能）相关。它导致了大多数设备的非常不稳定的结果：尤其是，几个之后在相同的GalaxyS9手机上运行的Benchmark（有10分钟的间隔，「高性能」模式）都展示了总体分数的50%的变动，从不同设备获得的结果甚至有更大的变动（例如，第七个测试的200-800ms的处理时间）。目前，尚未有对不同性能模式的外部控制手段，因为它们是基于内部逻辑而自动选取的。

其它：我们还获得了在其它不常用（如Spreadtrum）或被制造商停产（例如，IntelAtom、NvidiaTegra、TIOMAP）的芯片组上的测试结果。其中，在支持CUDA和专用于深度神经网络的cuDNNGPU加速库的NvidiaTegra平台上测试AI和深度学习时我们得到了非常有趣的结果。不幸的是，自2015年以来没有新的设备使用过NvidiaSoC，而已有的设备已经停产，并且不会再获得加速机器学习移动端框架的（NNAPI）驱动程序。

目前，对机器学习在移动设备上的软硬件支持发展得非常快，每隔几个月就有公司宣布里程碑式的技术。这些技术当然带来了新的可能性和更高的性能，但目前缺乏标准化要求和公开规范，造成无法确保对技术优劣势进行客观评估。下文介绍了我们通过NNAPI驱动程序使用移动机器学习框架和硬件加速芯片组的体验。

目前，开始在安卓设备上使用深度学习的最简单方式是使用成熟、相对稳定的TensorFlowMobile框架。该框架出现于两年前，基本上解决了所有主要问题，且人们可在多个专门网站上找到关于细小问题的大量信息。如果硬件加速是关键问题，那么TensorFlowLite仍然可以作为选择，但是我们不推荐使用它进行比用MobileNet或InceptionCNN执行图像分类更复杂的任务，因为在移动平台上使用不标准的网络架构可能出现偶发问题。我们还提到从TFMobile到TFLite的迁移相对简单，因为它们使用的安卓编程接口很相似（最大的区别在于TFLite将预训练模型转换成.tflite，而不是.pb格式），我们可以在TFLite得到更好支持的情况下再进行迁移。如果某个应用针对某些特定设备或SoC，那么对应的专用SDK也可以使用，尽管这种情况下开发可能不那么容易、简便。至于Caffe2Mobile和其他不那么广泛使用的框架，目前它们的社区还比较小，这意味着网络上几乎没什么教程和问题描述，因此所有出现的问题可能需要通过在对应的GitHubrepo中创建新的issue来解决。

对安卓设备上的AI算法提供硬件支持目前是一个更有争议的话题。截至本文写作时，常规的浮点神经网络的最快运行时属于装载了麒麟970的华为手机，远远领先于市场平均水平。但是，我们仍要客观地看待未来的发展，我们的分析表明几乎所有SoC制造商都有潜力使用新的芯片组达到类似的结果。下一年年初情况将逐渐明晰，那时装载有麒麟980、MediaTekP80和新一代高通、SamsungExynospremiumSoC的设备将上市。除了性能，我们还考察了它们的能耗，因为耗电过快会限制它们对一些标准相机内置处理技术的使用。

我们想解决的最后一个问题是量化网络的使用。它们的目前应用很受限，因为目前仍然没有用于量化网络的可靠、标准工具，即使是对简单的图像分类任务，更不用说复杂的任务了。目前，我们期待该领域的两种不同开发方式。第一种，量化问题将在某个时刻得到解决，部署在智能手机上的大多数神经网络都能被量化。第二种，支持浮点网络的特定NPU变得更加强大、高效，从而不再需要量化。当然我们没办法轻松地预测未来，但我们仍将在AIbenchmark中使用量化和浮点模型的混合（浮点模型占主导），不过未来的版本中对应的比率可能会发生很大改变。

目前有很多重要的开放性问题可能会在出现新的机器学习相关软硬件和新的专用芯片后得到解决，因此我们计划出版介绍移动设备AI加速实际情况的常规benchmark报告，该报告也会涉及机器学习领域的改变以及AIbenchmark所做出的相应调整。AIBenchmark的最新测试结果和实际测试描述将在项目网站上进行每月更新。

手机ai换脸app哪个最好用？

[PConline应用]最近一个名叫ZAO的APP火遍了大江南北，用户只需要用一张清晰的正面照，就能将自己的脸换到一段视频中的主角上去，实现视频变脸功能。这个火爆的APP引发了不少争议，为啥？要知道AI换脸在当前已经成为了一项异常敏感的技术，连世界上最大的黄网“PxxxHub”，都禁止AI换脸视频的出现！为什么ZAO竟然敢将AI换脸作为卖点？ZAO真的好用么？我们一起往下看！

变脸视频制作软件鼻祖Deepfake技术

说起ZAO，我们不得不提一下“FakeApp”这个引发不少争议的软件，不久前，在国外某论坛出现了一个id叫deepfakes的大神，他发布了一种让用户可以使用机器学习技术来将视频换脸，只是当时还处于初级阶段，普通用户根本没办法通过这些资料来自己动手DIY，因为过于复杂啊！手：我不会啊！脑袋：我也不会！

直到一个简单版的软件FakeApp的出现，就把复杂变成了简单，让普通用户也能轻松将视频中的人物换脸。那么FakeApp能干啥？简单的来说，FakeApp采用了deepfake技术，并将其软件化简单化，能将视频A里的人脸通过机器学习技术然后套用到视频B中，而且通过深度学习后的换脸效果逼真，几乎可以达到以假乱真的程度。比如无辜的神奇女侠惨遭移花接木。

目前FakeApp已经被封杀，因为它可能被用来制作虚假的色情视频或报复色情内容，也可能被用于制作假新闻和恶意恶作剧。一个普通用户经过简单的学习教程，就能利用它来制作出足以以假乱真的变脸视频，想想都觉得恐怖。

让我们回到ZAO上边来，先来看看ZAO是怎么用的。

ZAO是属于谁的？

ZAO由长沙深度融合网络科技有限公司开发，法人是陌陌联合创始人兼游戏业务部总裁雷小亮。该公司在2019年7月19日完成股东变更，由北京陌陌科技有限公司变更为海南喵咖网络科技有限公司，100%控股。（消息来源网络）

ZAO是怎么用的？

首先，ZAO的注册是通过用户手机号来注册的，登录页面有“用户协议”与“隐私协议”，也正因为这两个协议引发了不少争议，我们下边再说。

图3ZAO的登陆界面

登陆完毕就是注册用户昵称，昵称不允许重复。然后ZAO就会申请两个权限，一个是访问本地存储权限，这个正常。还有一个就是获得用户手机号、IMEI、IMSI权限，这个权限就不太正常了，不过许多APP也要申请这个权限，主要用于身份识别，尽管这些APP的正常运行根本就不用这个权限。

图4申请权限1图5申请权限2

然后就进入了ZAO的主界面，主界面上有着许多视频片段，这就是可以用来换脸的视频库。为了方便用户查找感兴趣的视频，ZAO为用户提供了视频分类与视频搜索功能。只是，这些视频片段，版权情况如何呢？小编也不知道。

图6ZAO的主界面图7视频分类

找到自己感兴趣的视频，点击进去就会自动播放该视频片段，在视频下方会有一个“替换”按钮，点击后就会进入视频换脸功能页面。首次使用需要建立一个脸孔，先是拍摄一张正面照或者在本地相册中选择一张正面清晰照，这步可以利用自带的自动查找功能，自动帮助用户搜索本地相册中适合用的照片。在拍摄或选择照片后，ZAO会自动分析该照片，并为该照片打分，并给出扣分项目。

图8照片选择页面图9自动查找提示

在用户使用本地相册查找图片时，ZAO会提示用户照片清晰度够不够，所有的截屏图片都是清晰度不够无法选择的。选择好一张正面照后，ZAO会提示用户此照片未经验证，只能使用10次，而用户要无限制使用的话，就需要进行自拍验证。

图10未验证脸孔图11验证脸孔

成功设置好脸孔外，就可以实现视频变脸功能了，不过目前ZAO太火爆，导致不断的提示“制作量过大，请稍后提示”，要不就是“服务器繁忙，在某某时间恢复战力”，可到了指定时间，又会提示你要等下一个时间。

图12无法制作提示图13服务器繁忙提示

小编好不容易排上队，制作了一个视频。ZAO的视频制作速度还是不错的，基本上几秒钟就制作完毕，这时候用户就可以到“我的作品”中去观看变脸视频。

那么，效果如何呢？小编制作了三个不同的视频片段，都成功实现了视频变脸，只是变脸后的视频只能评价为看起来有点像，并不非常像，不过也有ZAO的用户说她制作出来的变脸视频非常像。

ZAO还有一个制作表情包功能，也是可以将表情包里的人物脸孔替换为自己的脸孔。

ZAO还有社交功能，用户可以通过微信与手机QQ来发送添加好友链接，不过目前这个邀请链接已经被微信屏蔽，停止访问了。

图14变脸视频图15变脸视频

ZAO的多重措施防止滥用他人脸孔与随意制作变脸视频

那么ZAO能不能使用别人的照片来制作变脸视频呢？ZAO为了防止用户滥用别人的照片来制作变脸视频，对用户的行为做了几个限制。小编也对此做了实测。

首先是ZAO内置了许多名人数据，当检测到用户使用名人照片时，会直接弹出提示而无法使用。（小编实测多位名人、名模、微博热门美女、外国领导人皆被成功检测）

再次，在ZAO中使用未经验证的脸孔制作视频时，视频仅能制作10次，并且不能分享，不能截屏，不能保存本地。（小编实测无法截图、无法保存）

另外，用于变脸的视频也是限定在ZAO的内容库范围，用户不能使用自己的视频来制作变脸视频。（小编实测没找到自行上传视频来实现变脸的功能）

图16检测到公众人物图17未经验证脸孔不能设置为共享脸孔

ZAO引发的争议可不小

即便如此，ZAO的出现，也引发了不少争议，而最多人关注的就是那个“用户协议”，不知道有多少用户会仔细详尽的阅读APP上的用户协议、隐私协议呢？

争议一：霸道的用户协议

在ZAO的用户协议中有这么一大条协议：

您的必要授权:除非另有约定,您使用"ZAO"上传及/或发布的用户内容的所有权、知识产权及其他法律权利,归您、您的许可方或者您的关联方所有,责任亦由您承担。

1)在您上传及/或发布用户内容之前,您同意或者确保实际权利人同意授予“ZA0"及其关联公司以及"ZA0"用户全球范围内完全免费、不可撤销、永久、可转授权和可再许可的权利,包括但不限于可以对用户内容进行全部或部分的修改与编辑(如将短视频中的人脸或者声音换成另一个人的人脸或者声音等)以及对修改前后的用户内容进行信息网络传播以及《着作权法》规定的由着作权人享有的全部着作财产权利及邻接权利;

2)如果您把用户内容中的人脸换成您或其他人的脸,您同意或确保肖像权利人同意授予“ZAO"及其关联公司全球范围内完全免费、不可撤销、永久、可转授权和可再许可的权利,包括但不限于:人脸照片、图片、视频资料等肖像资料中所含的您或肖像权利人的肖像权,以及利用技术对您或肖像权利人的肖像进行形式改动;

3)"ZA0"及其关联公司可自行选择是否使用以及使用方式,包括但不限于将前述信息在"ZA0"及其关联公司旗下的服务平台上使用与传播,将上述信息再次编辑后使用,以及由"ZA0"及其关联公司授权给合作方使用、编辑与传播等。"ZAO"及其关联公司将尽最大努力在合理范围内使用上述内容,且您的必要授权并不代表"ZAO"及其关联公司对上述信息内容的必然使用,也不改变上述信息内容的所有权及其知识产权归属,更不影响您对上述内容信息任何合法使用。

那么，仅仅是这几段用户协议说的是什么呢？基本的的意思就是用户要把自己的肖像免费给zao使用，并且是永久时限，还要保证使用的视频里的人物同意zao及关联公司使用她的肖像，这也是版权里的甩锅行为。

而在注册账号的时候，ZAO并没有给用户提供是否同意协议的选项，也就是默认用户注册使用ZAO就是同意它的协议。

而这几条让用户强烈不满的用户协议，ZAO也在声讨声中默默的将它们修改了，新版协议变得没有那么霸道了。

图18旧版协议图19新版协议

争议二：会导致支付宝、微信被盗刷？

第二个争议就是：你把你的照片上传到ZAO，并且制作出了变脸视频，会不会因此而导致你的支付宝、微信等的被恶意刷脸呢？小编认为，这个倒是无需担心的，毕竟支付宝、微信的刷脸支付功能，是有多层安全防护措施来确保所识别的人脸是真人而不是一张照片或一个视频。

为此，支付宝也特地发表了一个声明。

图20支付宝声明@支付宝安全中心

但是，还有一点就是，用户在使用ZAO的时候，注册所用手机号等资料，而且还对应了一张高清认证图片，这些资料存储在ZAO的服务器中，安全度如何？有否高强度加密存储。毕竟大型网站被拖库的情况都能发生。希望ZAO可以极度重视用户数据的安全。

争议三：无法删除脸孔？

第三个争议就是：在ZAO中上传了脸孔，却无法将其删除。不过这一条，ZAO已经做了改进，现在用户可以通过新增的“删除面孔”的选项来删除脸孔。但是，小编也不知道如此操作之后，ZAO是否真的会将这些数据在其服务器中删除。反正小编测试完ZAO后选择了删除脸孔。

除了删除脸孔功能，ZAO还为用户提供了注销账号功能，账号注销后所有的脸孔信息将被删除，好友关系将被解除。需要注意的是，注销账号后，如果你还想用同一手机号重新注册一个新账号的话，需要等待30天后才能进行。

总结

ZAO的出现，给了用户一个不一样的娱乐APP，用它可以将自己的脸轻松变脸到视频中，达到搞笑、情侣表白合拍等的娱乐目的，娱乐一下并不过分，所以它也那么的火爆。但是希望ZAO可以注重用户隐私、注重版权，也必须防止相关技术被滥用。科技是一把双刃剑，用的好不好，就看怎么用！

ai助理是什么意思

AI助理即人工智能助理，是一种基于人工智能技术的虚拟助手，能够为用户提供各种智能化的服务和支持。它可以通过语音识别、自然语言处理、机器学习等技术与用户进行交互和沟通，理解用户的指令和需求，并根据用户的需求提供相应的信息、建议、帮助等。

AI助理可以为用户提供诸如日历管理、提醒功能、天气查询、音乐播放、问答解答、任务列表、交通路线规划、在线购物等多种服务。通过不断学习和优化，AI助理可以逐渐了解用户的喜好、习惯，提供更加个性化和精准的服务。

AI助理的常见应用包括智能音箱（如AmazonEcho、GoogleHome、小爱音响等）、智能手机助手（如Siri、GoogleAssistant、小冰等）、社交媒体的聊天机器人（如微信机器人、QQ机器人等）以及各种智能设备和应用中的语音助手等。它们使得人们能够更加便捷地获取信息、管理时间、完成任务，并提供个性化的帮助和建议。

好了，本文到此结束，如果可以帮助到大家，还望关注本站哦！