在阿里云视觉智能开放平台中，关于人脸数据几张可以达到最佳效果的问题，并没有一个固定的答案，因为这取决于多个因素，包括应用场景、识别精度要求、人脸数据的质量以及算法模型的能力等。
然而，可以从以下几个方面进行考虑：
人脸数据的质量：高质量的人脸数据对于提高识别效果至关重要。这包括人脸的清晰度、角度、光照条件以及是否有遮挡物等。如果人脸数据质量高，那么即使数量相对较少，也可能达到较好的识别效果。
应用场景：不同的应用场景对人脸识别的要求不同。例如，在金融支付场景中，对人脸识别的精度和安全性要求非常高，可能需要更多样化、更高质量的人脸数据来训练模型。而在一些简单的门禁系统中，对识别精度的要求可能相对较低，所需的人脸数据数量也可能较少。
算法模型的能力：阿里云视觉智能开放平台提供的算法模型经过不断优化和升级，具有较高的识别精度和泛化能力。然而，即使使用同一算法模型，不同的人脸数据集也可能导致不同的识别效果。因此，在选择人脸数据集时，应尽可能选择与实际应用场景相匹配的数据集。
数据集的多样性：为了提高模型的泛化能力，人脸数据集应具有一定的多样性。这包括不同性别、年龄、种族、表情、姿态等的人脸数据。通过增加数据集的多样性，可以使模型更加鲁棒，提高在不同场景下的识别效果。
综上所述，要达到最佳的人脸识别效果，并不是简单地增加或减少人脸数据的数量就能实现的。而是需要根据实际应用场景的需求、人脸数据的质量、算法模型的能力以及数据集的多样性等多个因素进行综合考虑。
在实际应用中，建议根据具体情况进行试验和调整，通过不断优化人脸数据集和算法模型来提高识别效果。同时，也可以参考阿里云视觉智能开放平台提供的最佳实践和技术文档来指导实际操作。