你知道嗎?電腦也能像人一樣看懂照片

到目前為止，人類還沒能設(shè)計(jì)出一個(gè)有知覺的人工智能，至少就我們所知還沒有。但是人類在人工智能之路上從未停下腳步，我們正在幫助機(jī)器逐漸看見、看懂、理解這個(gè)世界。上個(gè)月，Google展示了其開發(fā)的Deep Dream眼中的世界，這些抽象的圖片看起來甚是詭異。而斯坦福大學(xué)的一個(gè)科學(xué)家團(tuán)隊(duì)也有一個(gè)類似的項(xiàng)目：NeutralTalk，這個(gè)程序能夠通過對(duì)圖像進(jìn)行分析，然后用語言對(duì)圖像中的信息進(jìn)行描述。

該項(xiàng)目去年就公布了，主要的開發(fā)者是斯坦福大學(xué)人工智能實(shí)驗(yàn)室主任Fei-Fei Li和他的研究生學(xué)生Andrej KarPathy。該程序能夠?qū)?fù)雜的圖像進(jìn)行分析，并且對(duì)圖像中正在發(fā)生的事情進(jìn)行準(zhǔn)確地描述。比如說：如果圖片上是一個(gè)穿著黑色襯衫彈吉他的男人，那么該程序就會(huì)將其描述成：“穿著黑色襯衫的男人在彈吉他”。盡管在小狗越過藩籬、女孩吃蛋糕和穿著藍(lán)色潛水服的男人在沖浪的圖片上該程序都給出了準(zhǔn)確的描述，但是在大多數(shù)情況下，該程序的描述都是不準(zhǔn)確的。

和Google的Deep Dream一樣，NeutralTalk使用的也是神經(jīng)網(wǎng)絡(luò)對(duì)圖像的內(nèi)容進(jìn)行識(shí)別，即通過將新圖像和已經(jīng)存在于神經(jīng)網(wǎng)絡(luò)之中的圖像進(jìn)行模式比對(duì)來進(jìn)行識(shí)別。神經(jīng)網(wǎng)絡(luò)的工作模式和認(rèn)的大腦類似，準(zhǔn)確地說更像是一個(gè)小孩，一旦他們學(xué)會(huì)了基本的識(shí)別方法，它們就能夠從新的圖片和視頻中識(shí)別出那些東西——比如一本書、一只貓或是一個(gè)三明治。

但目前這項(xiàng)技術(shù)還不夠完美。比如有一張一個(gè)成年女人拿著一個(gè)甜甜圈的照片就被識(shí)別成“一個(gè)小女孩拿著吹風(fēng)機(jī)吹頭發(fā)”，而一個(gè)好奇的長(zhǎng)頸鹿則被描述為：“一只狗望向窗外”。更搞笑的是有一張兩夫妻和一個(gè)生日蛋糕站在花園里面的照片，竟然被說成是“一個(gè)穿著綠色襯衫的男人正站在一頭大象旁邊”;但好在這些識(shí)別通常都會(huì)給出一個(gè)替代選項(xiàng)，這張圖片的替代選項(xiàng)的描述還算準(zhǔn)確：“一個(gè)站在外面的女人拿著一個(gè)椰子蛋糕，一個(gè)男人在看著”。

在互聯(lián)網(wǎng)上有大量的圖像和視頻信息，而現(xiàn)在已經(jīng)有很多可被搜索的視覺信息都被進(jìn)行了手動(dòng)的標(biāo)注。當(dāng)Google剛剛打造谷歌地圖的時(shí)候，Google還需要一個(gè)團(tuán)隊(duì)去檢查那些上傳的照片，確保那些照片確實(shí)是在相應(yīng)的位置拍攝的。也許正是因?yàn)檫@樣的工作實(shí)在是太無聊了吧，他們就打造了谷歌大腦(Google Brain)，現(xiàn)在，谷歌大腦已經(jīng)可以在一個(gè)小時(shí)之內(nèi)處理整個(gè)法國(guó)的所有街景信息。

Li介紹說：“我將圖片和視頻中包含的像素信息視為互聯(lián)網(wǎng)中的暗物質(zhì)，現(xiàn)在我們要照亮它們。”之前，引領(lǐng)這項(xiàng)“照明”工作的通常都是像Google和Facebook這樣的互聯(lián)網(wǎng)巨頭，它們有足夠的資源對(duì)數(shù)以億計(jì)的照片進(jìn)行篩選和分類。但以前的研究都主要還是集中在單一事物的識(shí)別上，但計(jì)算機(jī)科學(xué)家稱這種研究方向忽略了大局。華盛頓大學(xué)的計(jì)算機(jī)科學(xué)家Ali Farhadi說：“我們專注于物體，而忽略了動(dòng)詞?！?/p>

好在最近越來越多的項(xiàng)目都在試圖從圖像信息中發(fā)掘出更多有用的信息，而不再僅僅指出圖片中有什么。而斯坦福大學(xué)的這項(xiàng)研究使用了自然語言對(duì)結(jié)果進(jìn)行描述，我們可以假設(shè)一下這項(xiàng)技術(shù)的應(yīng)用場(chǎng)景。比如你將你的照片放在Google Photos中，然后你就可以用“一只狗跳過籬笆”或者“我在時(shí)代廣場(chǎng)的自拍”這樣的關(guān)鍵詞對(duì)你的照片進(jìn)行搜索了，甚至你還能使用這樣的語句在谷歌或者YouTube上去檢索相應(yīng)的圖片和視頻;同時(shí)，圖片和視頻上傳者也不需要費(fèi)盡腦汁為自己上傳的文件貼上幾個(gè)準(zhǔn)確的標(biāo)簽。

神經(jīng)網(wǎng)絡(luò)也有在現(xiàn)實(shí)世界的應(yīng)用潛力，在今年的國(guó)際消費(fèi)類電子產(chǎn)品展覽會(huì)(CES)上，NVIDIA宣布了推出一個(gè)駕駛輔助平臺(tái)Drive PX，能將“深度神經(jīng)計(jì)算機(jī)視覺”整合到汽車之中。該平臺(tái)也是使用了能夠?qū)W習(xí)的神經(jīng)網(wǎng)絡(luò)技術(shù)，NVIDIA的CEO黃仁勛稱該技術(shù)能夠自動(dòng)識(shí)別出潛在的危險(xiǎn)，在發(fā)現(xiàn)行人、交通標(biāo)志和救護(hù)車時(shí)對(duì)駕駛員發(fā)出警示。神經(jīng)網(wǎng)絡(luò)的應(yīng)用意味著Drive PX并不需要了解所有汽車就能識(shí)別出車輛。比如根據(jù)車的大小可以確定一輛車是SUV，或者根據(jù)車頂上的燈識(shí)別出警車。NVIDIA已經(jīng)在這項(xiàng)技術(shù)的開發(fā)中奮斗了許多年時(shí)間，而且事實(shí)上斯坦福大學(xué)的研究項(xiàng)目就建立在該公司提供的圖形處理器的基礎(chǔ)上。

斯坦福大學(xué)的這項(xiàng)技術(shù)還在不斷的演進(jìn)，現(xiàn)在該團(tuán)隊(duì)已經(jīng)將他們的成果發(fā)布在了GitHub上面。未來，計(jì)算機(jī)將對(duì)我們的行為有更深的認(rèn)識(shí)和理解，想象一下，當(dāng)計(jì)算機(jī)能夠準(zhǔn)確地識(shí)別和理解它所看到的一切時(shí)，世界該是個(gè)什么模樣?