美帝居然08年的时候就在想这种算法

刚看了后惊为天人。自己是学计量的，感觉美帝08年的脑洞非常有启发性，看来搞计量厉害的大部分来源美帝是有道理的。谈谈eagle eye里的几种算法模型及应用，其实里面的很多东西离我们并不远：

1.视频信息处理和匹配模型，主要涉及静态场景的图形数据识别和运算匹配，这个是智能驾驶的基础，也是现在各大汽车厂商都在开发无人驾驶系统时候需要克服的问题(而且还是动态场景的，更难）。我国公安部结合天网系统做了个面部识别系统，用来追捕逃犯也是蛮好用的。

2.音频信息处理和匹配模型。相对而言音频信息的处理更容易一点，因为可以转化为相对统一的音频振幅一类的，进行匹配分析；不过让人震惊的是，在无法获得音频数据的条件下，通过图像数据测度振幅来反向推测音频内容的算法，理论上如果能够区分目标音源和干扰音源，同时了解干扰音源的振幅特征，确实可以这么算。不过08年就想到这种思路.....太扯了。

3.判断行为倾向的人物画像模型。这个相对1和2更加偏向社科，在现在也有应用：如阿里巴巴最近在测试所谓human resource development，就是通过构建维度体系对员工进行人物画像，然后对工作内容进行维度分解，看画像模型和分解出的工作绩效模型之间的相关关系，进而反向确定什么工作应该用什么人物画像的应聘者；对个人行为的判断更加复杂，但是理论上有海量数据后建立高维模型然后进行降维处理确实可能得到一个给定条件下的个体概率行为模型，当然只是存在于理论中，这个运算量想都不敢想。

4.复合型任务场景的最优规划，这个就比较扯了。单场景线性最优解相对更有可能一些，比如针对居民区的作战规划模型，可以将居民区地形化为参数，作战意图作为取值目标进行运算，得出解后再通过解析含义确定作战任务步骤。但是一旦到复合场景后，怎么样对复合场景的取值进行加总，各单场景权重如何设置以构建复合函数等等，我计量功底有限确实也想不出思路来。事实上观影的时候反而有种错觉，感性上觉得4是其中最简单的，但理性感觉4反而是最复杂的。

以上是看了后感触最深的四个方面模型。美帝08年能拍出这种电影，真心感觉其数据能力和信息战能力不容小觑。