大发计划网

据介绍，龙霆电机分别通过全新设计的工艺进阶，实现扭矩提升；通过材料升级，实现耐用提升；通过传动进阶，实现传动效率提升。最终突破电机系统的技术限制，重新定义了智能锁的电机系统。

在AI技术颠覆各行各业的当下，ChatGPT现象级地推动了生成式AI在各行业的应用场景落地，同时也为智能锁的指纹识别功能带来了新的技术思路。作为智能锁行业领导者，德施曼智能锁首创的GPTfinger，突破技术限制，让GPT-4技术应用于指纹识别，打造指纹锁用得起的GPT。

据悉，GPTfinger首次将GPT技术应用于智能锁指纹识别功能。GPTfinger针对指纹质量不佳人群，解决了当前智能锁指纹识别不灵敏的痛点，让指纹不好的人，80%以上都好用；龙霆电机超大扭力输出，让智能锁电机能够拉动2.5吨SUV，强劲动力更配中国门。

据悉，4月11日德施曼将举行主题为“Explore未见”的2024全球新品发布会，除了GPTfinger和大扭力龙霆电机，德施曼还将发布其他领先技术，并发布搭载突破性技术的全新重磅产品。

再次，德施曼利用GPT的掩码遮挡生成式训练，能通过算法随机“遮挡”部分指纹特征进行训练，使德施曼GPTfinger实现即使在指纹特征部分缺失的情况下也能准确匹配，应对指纹磨损、不完整的情况，无惧部分特征缺失。

据了解，相比日韩轻、薄的住宅门，普遍厚、重的中国住宅门需要大电机才能带动。但有时候，即便使用了大电机全自动智能锁，中国门也会出现因天地钩太重或卡阻而无奈要拆除的现象，防盗属性被迫下降；或出现因门生锈、下沉、变形造成的卡阻打不开现象，便捷属性下降。

除了GPTfinger，在活动现场，一个小小的智能锁电机拉动了一台2.5吨SUV的实景演示，吸引了现场所有嘉宾的关注。

德施曼此次发布两大行业突破性技术，成功将GPT-4技术应用于智能锁指纹识别功能，并突破国内电机技术极限，无疑又将引领国内智能锁技术进入新的时代。

现场，德施曼技术研发中心总监桑胜伟揭秘了德施曼的另一大突破性技术——龙霆电机，并现场演示超大动力的龙霆电机，如何拉动一台2.5吨重的大型SUV。

大发计划网4月2日，中国智能锁品牌德施曼在北京举办2024德施曼创新技术预沟通会，德施曼技术研发中心总监桑胜伟揭秘了两项行业突破性技术——GPTfinger及龙霆电机。

首先，GPT-4模型庞大，空间和算力资源要求高。对此，德施曼通过模型蒸馏，压缩空间，提升算力：保留指纹识别相关120万个参数，模型空间从TB级别精简到MB级别，并保留指纹识别100万级图到图的模型训练；提升10倍主频、10倍算力，启用硬件加速的MPU实现资源扩充。

最后，为应对季节敏感带来的指纹变化，德施曼通过使用与GPT-4同源的深度卷积神经网络(CNN)大数据，来学习季节变化时指纹特征的衍变规律，让德施曼GPTfinger能够预测正常指纹变成脱皮指纹前后的变化形态，实现季节性指纹变化与正常时期指纹的可靠匹配。

近年来，随着智能安防及智能家居等概念的普及，中国智能门锁规模持续增长。据了解，2023年居民人均消费支出中日常类消费出现下降，但家庭类消费呈现提质趋势。其中智能锁行业需求结构向好，全自动智能锁销量占比增长明显，越来越多的消费者愿意选择更智能更便捷的智能锁产品。

德施曼在智能锁技术领域的探索从未停止。截至目前，德施曼已拥有200+专利及软件著作权，其中指纹头、主板、管理软件、算法、模具、锁体、设计都为自主知识产权；拥有200万+的自有/现有产能与供应链，专业的智能锁制造管理团队和工程师队伍，规模生产的品质可控性保障体系。德施曼对核心技术迭代升级的重视和投入，使其能够不断推出行业领先性成果，满足用户日益增长的需求。

总结来说，德施曼GPTfinger无惧指纹特征缺失、无惧指纹季节性变化、无惧个体差异、更安全。不仅提升了智能锁的识别速度和准确性，还解决了少数指纹质量不佳人群使用智能锁指纹识别不灵敏的问题，在用户体验上实现了质的飞跃。

德施曼针对中国门，首创龙霆电机，扭矩高达4.5Nm，是传统大电机的1.68倍，内置小电机的10倍。德施曼龙霆电机的强劲动力，可拉动2.5吨大型SUV，具备超越智能锁电机的动力和稳定性，更配中国门。

对比日韩欧美等发达国家，中国智能锁的市场渗透率仍有较大的提升空间，市场规模仍有望持续增长；同时，中国智能锁的技术水平已领先国际同行一到两代，国内智能锁行业不断涌现令人惊叹的黑科技，如趋向多模态融合的生物识别技术，再如24小时不间断拍摄的哨兵猫眼系统。

经国家锁具产品质量检测中心(浙江)牵头人群测试，国家公证机构全程公证，德施曼GPTfinger，指纹不好的人，80%以上都好用。

其次，德施曼首创“螺旋圆域技术”，模仿雷达波搜索螺旋方式，将任意圆形区域内指纹特征组成螺旋状序列，运用GPT的技术进行学习，从而构建一个个精准的指纹特征上下文模型，将指纹特征转化为了有联系的上下文进行生成式训练学习。