1
| 本文作者： 史中 | 2016-08-13 07:05 | 專題：CCF-GAIR | 全球人工智能與機(jī)器人峰會(huì) |
60年以前，計(jì)算機(jī)視覺被第一次提出。這個(gè)人工智能的重要分支領(lǐng)域，到今天已經(jīng)歷經(jīng)一個(gè)甲子。這段歷史幾乎覆蓋整個(gè)計(jì)算機(jī)史，可謂跌宕起伏。
熟悉人工智能史的人都會(huì)了解，這門現(xiàn)在看來叼炸天的科學(xué)其實(shí)經(jīng)歷了三落三起。用微軟亞洲研究院常務(wù)副院長(zhǎng)芮勇的話說就是：在90年代的時(shí)候，研究機(jī)器學(xué)習(xí)的學(xué)生連工作都很難找到。
【微軟亞洲研究院常務(wù)副院長(zhǎng)芮勇，背景為人工智能之父：馬文.明斯基】
在今天的 CCF-GAIR 全球人工智能與機(jī)器人峰會(huì)，芮勇講述了在他眼中的計(jì)算機(jī)視覺發(fā)展史：一次長(zhǎng)征。
人能看到圖片，而計(jì)算機(jī)只能看到“0”和“1”。
芮勇用一句話概括了機(jī)器視覺的艱難。縱然艱難，但是我們卻慢慢讓機(jī)器“睜開了雙眼”。這些成就是進(jìn)階形態(tài)的：
在人們最初試圖用機(jī)器來識(shí)別圖像的時(shí)候，只能對(duì)圖片上的像素進(jìn)行分析。研究人員于是意識(shí)到，在圖片中并不是所有的像素都是“平等”的，而是有一些像素比另外一些重要。
從這個(gè)角度來看，這些像素就被分為了“線條、轉(zhuǎn)角、色彩”等類別。于是仿效人類對(duì)圖片的觀感，機(jī)器開始試圖從線條、灰度、色彩這些最基本的“特征”開始，對(duì)一個(gè)圖片進(jìn)行最基本的認(rèn)知。
經(jīng)過多年的技術(shù)積累，計(jì)算機(jī)技術(shù)對(duì)于一個(gè)圖片的基本特征有了較好的把握，于是科學(xué)家們?cè)噲D讓機(jī)器對(duì)圖片進(jìn)行分類。
這種分類同樣經(jīng)歷了由淺入深地階段。以一張小狗的圖片為例。
首先要基本分類，讓機(jī)器學(xué)會(huì)判斷圖片中是否有一只狗；
其次要位置探測(cè)，讓機(jī)器可以準(zhǔn)確識(shí)別小狗在圖片中的空間位置；
然后是像素級(jí)分類，最理想的狀態(tài)是，可以分辨出一張圖片中某個(gè)特定的像素究竟是屬于狗還是背景中的電視。
芮勇說，在2013年深度學(xué)習(xí)技術(shù)被引入圖像識(shí)別之后，識(shí)別錯(cuò)誤率大幅下降。目前技術(shù)比較成熟， 例如可以從上百種狗里，準(zhǔn)確地挑出和目標(biāo)對(duì)應(yīng)的種類（這一水準(zhǔn)已經(jīng)超越人類）。甚至在一些復(fù)雜的圖片中，只露出半個(gè)胳膊，也可以被成功識(shí)別為一個(gè)人。
芮勇告訴現(xiàn)場(chǎng)觀眾，目前我們普遍使用的“以圖搜圖”功能并不是他心中的“理解圖片”，只能算是臨近圖片搜索。而真正對(duì)圖片的理解，要理解圖片的意義。比如如下這張圖：
如果計(jì)算機(jī)可以用自然語言描述這幅圖：一個(gè)小朋友和他的爸爸在迪斯尼樂園玩。這才是理解。事實(shí)上，現(xiàn)在人工智能科學(xué)家已經(jīng)做到了這一點(diǎn)。
進(jìn)一步，機(jī)器視覺可以實(shí)現(xiàn)對(duì)世界上名人的識(shí)別，并且可以做出描述：“彭麻麻和米歇爾一家在故宮合影”。
【彭麗媛與米歇爾一家在故宮合影】
芮勇說，目前微軟的技術(shù)可以做到全球排名前50萬的名人人臉識(shí)別。
在芮勇眼中，我們現(xiàn)在的計(jì)算機(jī)視覺，大多停留在“感知”的層面，而下一個(gè)可能的目標(biāo)是：“認(rèn)知”。
對(duì)于認(rèn)知而言，就不僅僅是表面的描述，而是可以了解圖片的隱含意義以及文化意義。他為我們描述了前方等待攀登的四座山峰。
先來看如下一幅照片：
過去，這幅圖片可能被描述為：一個(gè)男人被象追著跑。
現(xiàn)在，有了人臉數(shù)據(jù)，這幅圖片可以被描述為：奧巴馬被一群大象追趕。
但是，對(duì)美國政治有了解的童鞋看到了不僅僅是一副不知所云的畫面，由于在美國共和黨一般用象來代稱，所以他們看到的應(yīng)該是：
“在美國大選前夕，奧巴馬被一群共和黨競(jìng)選者追趕。”
這個(gè)邏輯鏈條推導(dǎo)出的引申意，才是這幅圖像的隱含意義。未來，人工智能有可能會(huì)解決這個(gè)問題。
對(duì)于計(jì)算機(jī)視覺來說，識(shí)別一個(gè)視頻中的圖像意義，相對(duì)于識(shí)別一幀圖片來說要難得多。處理視頻，需要對(duì)每一幀之間的聯(lián)系進(jìn)行統(tǒng)一的計(jì)算和識(shí)別。
不過芮勇表示，目前已經(jīng)有一些模型從不同的角度出發(fā)，來解決這個(gè)問題了。在不久的將來，計(jì)算機(jī)應(yīng)該可以通過一段文字來描述一個(gè)視頻。
【目前已經(jīng)可以實(shí)現(xiàn)對(duì)視頻中物體的像素級(jí)識(shí)別】
現(xiàn)在我們使用的聊天機(jī)器人，例如微軟小冰，可以進(jìn)行簡(jiǎn)單的聊天對(duì)話。但是并不能像人類一樣，可以實(shí)現(xiàn)表情包的“相互轟炸”。在未來，很可能人工智能機(jī)器人可以“讀懂”你的表情包。
例如你給小冰看這張圖：
你絕對(duì)不期望它回復(fù)你：“這是一只貓。”你可能希望它回復(fù)：“臥槽！”
這里還有一些“正常的”回復(fù)，他讓你感覺到自己在和另一個(gè)有感情的人在對(duì)話，而不是一個(gè)機(jī)器。
在人類的對(duì)話中，經(jīng)常涉及到對(duì)于圖片的具體情況的問答。例如在下面的圖片中：
對(duì)于左上角這一幅，你可以詢問計(jì)算機(jī)：“在泥濘的地上拉車的是神馬？”答案是：“馬”。
這個(gè)對(duì)人來說非常簡(jiǎn)單的判斷，但是對(duì)于計(jì)算機(jī)來說，卻要經(jīng)歷諸多步驟：
什么是地？
什么是泥濘的地？
哪里是地上？
什么是車？
什么是拉？
通過層層篩選，最終計(jì)算機(jī)會(huì)給出如同熱力圖一般的蒙版，狂頂出它認(rèn)為的答案范圍。而在這個(gè)范圍內(nèi)的物體，就是答案。
芮勇告訴雷鋒網(wǎng)，雖然微軟現(xiàn)在已經(jīng)實(shí)現(xiàn)了上千種常用物體的圖片問答。但是仍然有很多物體不能被識(shí)別，這項(xiàng)技術(shù)仍然有非常大的進(jìn)步空間。
另外，如何通過一幅圖片，理解并且講述其背后的故事，也是未來圖像識(shí)別的研究方向。
2016年，深度學(xué)習(xí)和圖像識(shí)別都有了很大的進(jìn)步。不過芮勇說，這肯定不是“長(zhǎng)征的勝利”，這些進(jìn)步就像是長(zhǎng)征途中的“遵義會(huì)議”，經(jīng)歷了一次重大的轉(zhuǎn)折勝利，但是仍然有很遠(yuǎn)的路要走。
芮勇說，未來有三個(gè)條件可以保證長(zhǎng)征成功：
1、機(jī)器學(xué)習(xí)算法本身的發(fā)展。人工智能可以從90年代的低谷到現(xiàn)在的高潮，好的算法可謂功不可沒。而不斷改進(jìn)的算法，還可以讓計(jì)算機(jī)視覺的圖像識(shí)別率更加提高。
2、垂直領(lǐng)域?qū)＜摇?/strong>計(jì)算機(jī)視覺的發(fā)展，其實(shí)不僅以來計(jì)算機(jī)科學(xué)家，還要靠其他領(lǐng)域的專家協(xié)作，在垂直領(lǐng)域產(chǎn)生效果。例如和金融領(lǐng)域的合作，可以更好地預(yù)測(cè)股票市場(chǎng)；和醫(yī)療領(lǐng)域合作，可以發(fā)明更精準(zhǔn)的治療手段；和植物學(xué)家合作，可以實(shí)現(xiàn)僅僅拍照就能識(shí)別植物的種類和習(xí)性。
3、大數(shù)據(jù)。大數(shù)據(jù)是機(jī)器學(xué)習(xí)的糧食，如果有充足的，質(zhì)量高的大數(shù)據(jù)，可以讓機(jī)器智能實(shí)現(xiàn)巨大的飛躍。
以上這些條件，看起來我們并不缺少。芮勇對(duì)于成功“到達(dá)陜北”充滿信心。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
專題
本專題其他文章
