谷歌李飞飞：我们依旧站在人工智能研究的起点
人工智能大健康
说起人工智能，孕育了卷积神经网络和深度学习算法的 ImageNet 挑战赛恐怕是世界上最著名的 AI 数据集。8 年来，在 ImageNet 数据集的训练下，人工智能对于图像识别的准确度整整提高了 10 倍，甚至超越了人类视觉本身。
然而，AI 领域的科学家们并没有停下前进的脚步。上个周末，人工智能领域最卓越的科学家之一：斯坦福大学终身教授、谷歌云首席科学家李飞飞在未来论坛年会上，为我们做了一场名为“超越 ImageNet 的视觉智能”的精彩演讲。她告诉我们，AI 不仅仅能够精准辨认物体，还能够理解图片内容、甚至能根据一张图片写一小段文章，还能“看懂”视频……
我们都知道，地球上有很多种动物，这其中的绝大多数都有眼睛，这告诉我们视觉是最为重要的一种感觉和认知方式。它对动物的生存和发展至关重要。
所以无论我们在讨论动物智能还是机器智能，视觉是非常重要的基石。世界上所存在的这些系统当中，我们目前了解最深入的是人类的视觉系统。从 5 亿多年前寒武纪大爆发开始，我们的视觉系统就不断地进化发展，这一重要的过程得以让我们理解这个世界。而且视觉系统是我们大脑当中最为复杂的系统，大脑中负责视觉加工的皮层占所有皮层的 50％，这告诉我们，人类的视觉系统非常了不起。
寒武纪物种大爆发
一位认知心理学家做过一个非常著名的实验，这个实验能告诉大家，人类的视觉体系有多么了不起。大家看一下这个视频，你的任务是如果看到一个人的话就举手。每张图呈现的时间是非常短的，也就是 1／10 秒。不仅这样，如果让大家去寻找一个人，你并不知道对方是什么样的人，或者 TA 站在哪里，用什么样的姿势，穿什么样的衣服，然而你仍然能快速准确地识别出这个人。
1996 年的时候，法国著名的心理学家、神经科学家 Simon J． Thorpe 的论文证明出视觉认知能力是人类大脑当中最为了不起的能力，因为它的速度非常快，大概是 150 毫秒。在 150 毫秒之内，我们的大脑能够把非常复杂的含动物和不含动物的图像区别出来。那个时候计算机与人类存在天壤之别，这激励着计算机科学家，他们希望解决的最为基本的问题就是图像识别问题。
在 ImageNet 之外，在单纯的物体识别之外，我们还能做些什么？
过了 20 年到现在，计算机领域内的专家们也针对物体识别发明了几代技术，这个就是众所周知的 ImageNet。我们在图像识别领域内取得了非常大的进步：8 年的时间里，在 ImageNet 挑战赛中，计算机对图像分类的错误率降低了 10 倍。同时，这 8 年当中一项巨大的革命也出现了： 2012 年，卷积神经网络（convolutionary neural network）和 GPU（图形处理器，Graphic Processing Unit）技术的出现，对于计算机视觉和人工智能研究来说是个非常令人激动的进步。作为科学家，我也在思考，在 ImageNet 之外，在单纯的物体识别之外，我们还能做些什么？
8年的时间里，在ImageNet挑战赛中，计算机对图像分类的错误率降低了10倍。
通过一个例子告诉大家：两张图片，都包含一个动物和一个人，如果只是单纯的观察这两张图中出现的事物，这两张图是非常相似的，但是他们呈现出来的故事却是完全不同的。当然你肯定不想出现在右边这张图的场景当中。
这里体现出了一个非常重要的问题，也就是人类能够做到的、最为重要、最为基础的图像识别功能——理解图像中物体之间的关系。为了模拟人类，在计算机的图像识别任务中，输入的是图像，计算机所输出的信息包括图像中的物体、它们所处的位置以及物体之间的关系。目前我们有一些前期工作，但是绝大多数由计算机所判断的物体之间的关系都是十分有限的。
1 2 下一页>
