0
| 本文作者： 亞萌 | 2017-01-17 22:06 |
雷鋒網(wǎng)按：2017年1月15日，李飛飛教授出席未來論壇2017年會(huì)暨首屆未來科學(xué)頒獎(jiǎng)典禮，發(fā)表名為《視覺智能的探索》 （The Quest for Visual Intelligent）演講。李飛飛教授分別從四個(gè)視角講述了她眼里的AI，提到她加入谷歌后從事的幾項(xiàng)工作，并致力于推動(dòng)AI的多樣性發(fā)展。雷鋒網(wǎng)根據(jù)其現(xiàn)場演講整理成本文，由宗仁和亞萌共同編輯。
大家下午好！我非常榮幸看到在這個(gè)歷史性時(shí)刻，中國正在慶祝它在科學(xué)和創(chuàng)新領(lǐng)域的進(jìn)步。今天我來到這邊是作為人工智能的學(xué)術(shù)圈一員，我想跟大家分享一下視覺技術(shù)方面最新的進(jìn)展。
大概5億年前，有一些非常簡單的生物生活在一片非常大的海洋當(dāng)中，它們等待著食物的到來，或有時(shí)也成為別人的食物。那時(shí)的動(dòng)物王國非常簡單，后來可能是出于偶然，最早期的一些動(dòng)物出現(xiàn)了眼睛這種器官，這些動(dòng)物的眼睛其實(shí)還是非常簡單，它們就像古代中國“小孔成像匣”一樣初級。在視覺發(fā)展之后，動(dòng)物才變得更加積極，尤其是在獵取食物時(shí)，它們可以自發(fā)進(jìn)攻，它們也會(huì)尋找更隱蔽的地方躲藏起來，避免自己成為它人的食物。
之后，在一段相對較短的時(shí)間內(nèi)，地球上的物種得到了非常豐富的發(fā)展，這也是視覺進(jìn)化引發(fā)的“寒武紀(jì)大爆發(fā)”。寒武紀(jì)大爆發(fā)之后，視覺就在動(dòng)物中發(fā)揮著非常重要的作用，幫助它們行動(dòng)、尋找食物、躲避敵人等等。作為人，我們也是一樣的，我們也用視覺支持我們的生活、我們的工作、我們的交流，讓我們更好地了解世界。
事實(shí)上，在5億年的進(jìn)化當(dāng)中，視覺已經(jīng)成了我們?nèi)俗钪匾母兄到y(tǒng)，我們的大腦中有超過一半都是和視覺處理聯(lián)系在一起的。雖然，動(dòng)物在5.4億年前就看到了世界的光明，但是直到如今我們的機(jī)器和計(jì)算機(jī)所面對的還是“黑暗時(shí)代”。我們?nèi)缃竦教幎加斜O(jiān)控器，但是如果監(jiān)控器拍到一個(gè)小孩落水了，它也并不知道發(fā)生了什么事情。
每一分鐘，都有成百上千個(gè)小時(shí)的視頻上傳到Y(jié)outube和Facebook的服務(wù)器里，但是我們還不能根據(jù)視頻的內(nèi)容來進(jìn)行搜索；無人機(jī)也可以飛翔在廣袤的土地上，但我們還不能根據(jù)無人機(jī)鏡頭捕捉到的繪制出地貌。
總的來說，我們作為一個(gè)社會(huì)整體，是個(gè)盲人，這是因?yàn)槲覀兊淖钪悄艿臋C(jī)器還是盲人。
作為一名計(jì)算機(jī)視覺科學(xué)家，我們致力于開發(fā)出能從視覺世界中學(xué)習(xí)AI算法，識別出圖片、視頻里的內(nèi)容，最終為數(shù)字世界帶來“光明”。
為了實(shí)現(xiàn)這樣一個(gè)目標(biāo)，首先我們要教計(jì)算機(jī)識別物體，物體是視覺世界的基礎(chǔ)物件。我們給計(jì)算機(jī)一些特定物體的訓(xùn)練圖像，比如貓的圖片樣本，然后設(shè)計(jì)數(shù)學(xué)模型，讓機(jī)器從這些訓(xùn)練圖像中學(xué)習(xí)。
在早期物體建模中，我們用數(shù)學(xué)語言，告訴計(jì)算機(jī)這只貓由不同形狀組成（例如圓形的臉、三角型的耳朵等），但是還有很多的圖片里的貓，它們擺出各種奇怪扭曲的姿勢，這時(shí)貓身體的各個(gè)部位已經(jīng)不是規(guī)則的形狀了，這時(shí)要怎么辦呢？
所以，為了讓不同的貓都能被計(jì)算機(jī)識別出來，我們需要設(shè)計(jì)不同的模型，但這樣大量的工作真得會(huì)把人逼瘋，所以研究就陷入了困境。很多年來機(jī)器視覺領(lǐng)域的很多科學(xué)家，都想找到一個(gè)神奇的算法，可以對同一個(gè)物體的不同“變種”進(jìn)行建模。
大概8年前，一個(gè)簡單但深刻的發(fā)現(xiàn)，改變了我的思考方式，那就是從小孩學(xué)習(xí)的過程中得到靈感。孩子在學(xué)認(rèn)貓的過程中，并沒有被告知貓是各種形狀的組合，他們只是根據(jù)過去的經(jīng)歷習(xí)得。如果把小孩的眼睛當(dāng)做一對生物攝像機(jī)，它每秒鐘都要看至少5張貓的圖片，到了3歲時(shí)，一個(gè)孩子已經(jīng)見過數(shù)以億計(jì)來自真實(shí)世界的圖像。
所以在我們專注于找出最佳的算法之前，我們應(yīng)該為計(jì)算機(jī)提供跟孩子一樣多的訓(xùn)練圖片。所以，這時(shí)，我們需要采集數(shù)據(jù)，采集比以往多得多的圖像，這個(gè)數(shù)量將是以前的幾千倍。
所以，我和普林斯頓大學(xué)的李凱教授、當(dāng)時(shí)的學(xué)生Jia Deng一起，啟動(dòng)了ImageNet項(xiàng)目。
我們在網(wǎng)絡(luò)上找到了很多圖片、很多數(shù)據(jù)，網(wǎng)絡(luò)是匯集人類所拍照片的最大寶庫。經(jīng)過3年的辛勤工作后，2009年ImageNet正式交付，其中包括1500萬張圖片和22000類物體，并用日常英語單詞組織起來，這在機(jī)器學(xué)習(xí)和視覺領(lǐng)域，從數(shù)量和質(zhì)量來說都是史無前例的。我們比以往，更加準(zhǔn)備好了去解決計(jì)算機(jī)視覺領(lǐng)域的問題。
而這，就是從一個(gè)孩子的視角出發(fā)得來的。
事實(shí)證明，ImageNet提供的充足信息，能夠完美匹配某類機(jī)器學(xué)習(xí)算法，就是“卷積神經(jīng)網(wǎng)絡(luò)”（CNN），由1970年代和80年代的計(jì)算機(jī)科學(xué)家提出。
卷積神經(jīng)網(wǎng)絡(luò)受人腦啟發(fā)，其中的基本運(yùn)算單元，是類似神經(jīng)元的節(jié)點(diǎn)，節(jié)點(diǎn)能從其它節(jié)點(diǎn)接受輸入，并輸出到其它節(jié)點(diǎn)，而且，這成百上千的節(jié)點(diǎn)，會(huì)分層有序地組織連接在一起。
這是一個(gè)非常經(jīng)典的用來訓(xùn)練物體識別的卷積神經(jīng)網(wǎng)絡(luò)模型，它大概有2400萬個(gè)節(jié)點(diǎn)，1.4億個(gè)參數(shù)和150億個(gè)連接。ImageNet提供的海量信息，加上現(xiàn)代CPU和GPU來訓(xùn)練如此龐大的模型，卷積神經(jīng)網(wǎng)絡(luò)的快速發(fā)展超出人們的想象，它成為了非常成功的算法，在物體識別方面取得了令人欣喜的成果。
在一張圖里，計(jì)算機(jī)告訴我們這張照片里有一只貓以及這只貓?jiān)谀睦?；這另一張圖里，計(jì)算機(jī)告訴我們，一個(gè)小孩拿著他的泰迪熊。
如今，計(jì)算機(jī)取得了巨大的進(jìn)步，然而這還僅僅是第一步。很快，另一個(gè)發(fā)展里程碑就會(huì)達(dá)到。孩子會(huì)開始用句子來交流，比如看到這張圖片，一個(gè)小孩會(huì)說“一只貓?zhí)稍诖采稀?。而?jì)算機(jī)也一樣，所以要教電腦看懂圖片，并且用一句話來描述它。我們需要用到神經(jīng)系統(tǒng)，并且把神經(jīng)系統(tǒng)推向一個(gè)高度，我們需要把視覺信息和文本信息結(jié)合起來，并且讓它生成出一個(gè)具有意義的句子。
大概是一年半之前，我們與世界上其它幾個(gè)實(shí)驗(yàn)室進(jìn)行了合作，創(chuàng)造出了第一個(gè)根據(jù)圖片講故事的計(jì)算機(jī)視覺算法。
計(jì)算機(jī)在看到圖片時(shí)說出了一句描述：“一架大型飛機(jī)停在機(jī)場跑道上”。
當(dāng)然，相比三歲的孩子，計(jì)算機(jī)的發(fā)音沒有那么可愛。這種看到一張圖，產(chǎn)生一句描述語的叫做“Image Capturing”，而且我們將這種能力擴(kuò)展，使得計(jì)算機(jī)可以根據(jù)一張圖片，產(chǎn)生很多句描述。最近，我們提交了一篇論文，計(jì)算機(jī)通過算法，針對第一次看到的圖片，而自動(dòng)生成出完整的一大段的自然語句。
總之，得到大腦的啟發(fā)之后，我們發(fā)現(xiàn)深度學(xué)習(xí)的算法和公式能夠幫助我們做一些視覺方面的檢測，而這就是從大腦的視角得來的。
在卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)技術(shù)得到如此大的發(fā)展之后，我們也開始把焦點(diǎn)轉(zhuǎn)向其它一些領(lǐng)域，尤其是視頻。我們要看看，圖片中學(xué)習(xí)到的東西能否復(fù)制到視頻領(lǐng)域中去，讓真實(shí)世界從中獲益。我們的實(shí)驗(yàn)室和谷歌YouTube團(tuán)隊(duì)合作，把YouTube上100萬個(gè)運(yùn)動(dòng)相關(guān)的視頻樣本抓取出來，它們分別屬于450種運(yùn)動(dòng)類別。我們希望有一天這樣的技術(shù)能夠幫助我們?nèi)ス芾?、索引和搜索大量的視頻和圖片。計(jì)算機(jī)能自動(dòng)對屏幕上的體育項(xiàng)目進(jìn)行分類，這里包括各種各樣的體育項(xiàng)目，武術(shù)、籃球、帆船運(yùn)動(dòng)等等。
最近我們的實(shí)驗(yàn)室，聯(lián)合谷歌和Facebook一起進(jìn)一步擴(kuò)展了我們工作的范圍，不僅僅能夠讓機(jī)器識別出運(yùn)動(dòng)的類型，而且可以看看單個(gè)隊(duì)員做了哪些事情。我們來看NBA的籃球，機(jī)器可以追蹤每個(gè)隊(duì)員在重要事件中的表現(xiàn)，譬如三分球投籃成功等。
我們拿了一些安全監(jiān)控視頻（比如醫(yī)院里的），通過深度傳感器的視頻來進(jìn)行分析應(yīng)用，識別出當(dāng)中人的姿勢和動(dòng)作，這個(gè)是非常有價(jià)值的。
我們和歐洲一個(gè)火車站進(jìn)行了合作，將成百上千個(gè)視覺傳感器安裝在公共空間，利用這些計(jì)算機(jī)的傳感器來追蹤乘客的行動(dòng)，火車站有數(shù)百萬的人流穿梭，通過這樣一種監(jiān)測可以幫助優(yōu)化火車站的空間，調(diào)整火車發(fā)車時(shí)間表。
最近我們利用了深度學(xué)習(xí)、CNN和RNN，讓機(jī)器學(xué)習(xí)如何預(yù)測人類行為的軌跡，這樣一個(gè)工作能夠把我們前邊所討論的結(jié)合在一起。算法不僅有IQ，可以識別出人，而且它也有EQ，來做出被人類社會(huì)接受的行為。比如當(dāng)它用來規(guī)劃一個(gè)機(jī)器人的行為軌跡時(shí)，就該知道機(jī)器人不應(yīng)該干擾人，或者機(jī)器人在一個(gè)空間行走時(shí)，不能沖進(jìn)人群里。
我們利用所有這些技術(shù)和現(xiàn)實(shí)中的情況結(jié)合，現(xiàn)在我們和斯坦福醫(yī)院合作，部署相關(guān)技術(shù)，可以提高他們手衛(wèi)生和工作流程，不僅是在工作場所，在家也是。
總而言之，作為一個(gè)技術(shù)人員，看到計(jì)算機(jī)視覺算法正在幫助解決現(xiàn)實(shí)生活中的問題，真的讓我感特別興奮，這是一個(gè)技術(shù)人士的視角。
大概是5億年前，動(dòng)物視覺和智力面臨的挑戰(zhàn)就是讓個(gè)體存活，而如今，機(jī)器視覺和AI所面臨的挑戰(zhàn)就是讓人類能夠繁榮。作為技術(shù)人員我們要問，AI將會(huì)成為一種摧毀力，還是能給我們帶來更好的世界？我思考這個(gè)問題很久了，最近我突然頓悟，AI的未來掌握在那些創(chuàng)造、開發(fā)和使用者的手中。無疑的，AI會(huì)改變世界，但這里真正的問題是，改變AI又是誰呢？
大家都知道，世界各地都是缺乏多樣性的，包括美國的硅谷、中國、歐洲等，還有很多其它區(qū)域都缺乏多樣性，在美國學(xué)術(shù)界只有25%的計(jì)算機(jī)專業(yè)人士是女性，不到15%的美國頂尖工程學(xué)校的教職員工是女性，對于少數(shù)族裔來說，女性的代表就更少了，這一不平衡的現(xiàn)象在工業(yè)界也同樣存在。這并不是工作文化問題，這實(shí)際上是經(jīng)濟(jì)和集體財(cái)產(chǎn)的問題。
幾個(gè)月前我受邀到美國白宮討論了AI中多樣性的必要性，我提出必須提高AI多樣性的三個(gè)理由。第一個(gè)理由關(guān)乎經(jīng)濟(jì)和勞動(dòng)力，AI人工智能是一個(gè)日益增長的技術(shù)，會(huì)影響到每個(gè)人，我們需要更多人力開發(fā)出更好的技術(shù)；第二個(gè)理由關(guān)乎創(chuàng)造力和創(chuàng)新，很多研究都顯示出，當(dāng)擁有多種多樣背景的人共同合作時(shí)，會(huì)產(chǎn)生更好的結(jié)果和更具有創(chuàng)意的解決方案；最后一個(gè)理由，關(guān)乎社會(huì)正義和道德價(jià)值，當(dāng)各種各樣背景的人聚集到一起時(shí)，他們有著各種各樣不同的價(jià)值觀，代表著人類的技術(shù)也會(huì)有更加多樣性的思考。
視覺和智能的發(fā)展造成了動(dòng)物多樣性在5億年前大爆炸式的增長，現(xiàn)在如果我們能夠讓更多的人參與到AI教育和研究當(dāng)中，我們可以鼓勵(lì)更多技術(shù)多樣化的發(fā)展，這樣我們會(huì)看到寒武紀(jì)技術(shù)上的大爆炸，使我們的世界變得更好。
這是一位教育家和一位母親的視角。
謝謝各位！
PS：請關(guān)注雷鋒網(wǎng)公眾號。
相關(guān)文章：
伯克利人工智能學(xué)家Stuart Russell深度剖析：人工智能在投資顧問中的作用與局限
AI眼中的歷史：用人工智能挖掘舊報(bào)紙里的英國現(xiàn)代史
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
