從自動駕駛、無人機，到監(jiān)控安防，視覺 AI 技術(shù)的突破為人們生活帶來了巨大改變，在許多領(lǐng)域迎來爆發(fā)式發(fā)展，僅在國內(nèi)就涌現(xiàn)商湯、云從、曠視和依圖等四大視覺 AI 獨角獸。但若真要論能為使用者帶來多大改變，恐怕很少有比得上這一項，那就是用視覺 AI 來打造盲人的眼睛。

無障礙人工智能成顯學(xué)，各大科技巨頭亦相繼致力投入

AI for Accessibility、無障礙人工智能近來已在國際間成為一項顯學(xué)。如何將發(fā)展迅速的人工智能技術(shù)，用來改善全世界約 10 億殘疾人士的生活，也是各大科技巨頭致力投入的方向之一。

以視障者來說，近日 Instagram 就新增一項輔助功能，用 AI 自動辨識照片內(nèi)容并以語音告知用戶。臉書 Messenger 也有無障礙機器人（Accessibility Bot），協(xié)助盲人辨識臉書朋友，甚至是朋友的臉部表情。華為 Mate 20 Pro 也有一個應(yīng)用程序 Facing Emotions，可以將七種最普遍的情緒轉(zhuǎn)化為相應(yīng)的聲音，可以大幅提升盲人與其他人的實時互動交流。

影像視覺 AI 并不是新的概念，其背后技術(shù)主要包含機器學(xué)習(xí)、深度學(xué)習(xí)，再加上 3D 臉部辨識等。尤其是深度學(xué)習(xí)算法運用在訓(xùn)練 AI來協(xié)助盲人辨識物體，可以發(fā)揮非常大的用處。

比方說，如果我們想要設(shè)計一個 AI 協(xié)助盲人分辨不同面額的紙鈔。做法就是將一張 10 元紙鈔，通過各種不同角度，包含正面、反面、整張、邊角、其中每一小片圖案，都展示給 AI 看，讓它學(xué)習(xí)什么是一張 10 元紙鈔。通過大量反覆學(xué)習(xí)后，視障者只要能讓手機鏡頭看到 10 元紙鈔的一小角，AI 就能將它分辨出來。

“這些小事，會讓你很確實地感覺到自己的獨立性。希望隨著人工智能的進展，可以讓我們更容易感受環(huán)境，協(xié)助我們完成更多日常事務(wù)”，微軟視覺輔助應(yīng)用程序 Seeing AI 的項目主管、同時自身也是視障者的 Saqib Shaikh，近日接受專訪時這樣對 DT 君說。

圖｜微軟技術(shù)負(fù)責(zé)人（Tech Lead）Saqib Shaikh （來源：微軟）

Saqib Shaikh 在 7 歲時失去視力，此前不久，他才剛剛得到人生中的第一臺電腦。

所幸這并不是他與計算機科學(xué)之間的句點。

而后他就讀視障學(xué)生小學(xué)，一位老師看出了他的潛力，鼓勵他開始學(xué)習(xí)打字。此后他一路進入大學(xué)，主修計算機科學(xué)，以班上頂尖的成績畢業(yè)，并取得人工智能碩士學(xué)位。而后，他又加入微軟的人工智能團隊，并在大約 3 年前通過微軟內(nèi)部的黑客松競賽，以Seeing AI這個項目脫穎而出，獲得資源將之打造為實際產(chǎn)品，現(xiàn)在已可在美國地區(qū)免費下載。

Seeing AI 用視覺 AI 幫助視障者“聽懂”世界

Seeing AI 這個是一款結(jié)合圖像辨識、語音說明及人性化使用介面的應(yīng)用程序，可以用手機上的攝像頭識別所有圖像，包含通過掃描條形碼來識別產(chǎn)品、辨識身旁其他人的年齡，性別和面部表情，還可以描述它在圖片中看到的內(nèi)容，并閱讀出菜單和文件。

同時，這款應(yīng)用程序也可以結(jié)合智能眼鏡，更好地協(xié)助用戶了解所處的周遭環(huán)境。

圖｜Seeing AI 是一款結(jié)合圖像辨識、語音說明及人性化使用介面的應(yīng)用程序（來源：微軟）

Saqib Shaikh 指出，近年深度學(xué)習(xí)技術(shù)的成熟，是 Seeing AI 可以真正發(fā)揮用處的主要關(guān)鍵。通過深度學(xué)習(xí)訓(xùn)練，向系統(tǒng)展示大量照片，并教導(dǎo)它們照片中的內(nèi)容，AI 可以真正有效辨識出現(xiàn)實生活環(huán)境中的各種物體與人物。

但是，要落實到讓 AI 有效協(xié)助視障者在生活中能真正用上，還必須歸功于近年硬件技術(shù)的發(fā)展，在軟、硬件配合之下，讓視覺 AI 技術(shù)實用價值大大提升。尤其是邊緣運算風(fēng)潮興起，視覺信息可以在裝置終端就能完成運算，才能對使用者提供實時反饋，讓盲人能夠即時對互動對象做出適合的反應(yīng)。

實時反饋絕對是關(guān)鍵。Saqib Shaikh 說，想像一個情境，當(dāng)你在一個會議上進行簡報。因為這是一個正式場合，因此所有人，包含旁邊的同事、上級主管，都只是安靜聽你說話，不會任意發(fā)出聲音。所以在你說話的同時，若無法用眼睛去觀察聽眾，你對于他們的反應(yīng)是毫無頭緒的，你甚至不知道應(yīng)不應(yīng)該繼續(xù)說下去，還是暫停下來詢問聽眾的想法。

這時候，如果有一個 AI 可以幫你辨識聽眾的反應(yīng)，實時反饋你他們是不是看起來滿意、尤其是還能辨認(rèn)出特定人士，比方說直屬主管的表情和動作如何，這樣一個人工智能，將能夠大大地讓盲人突破限制，改善他們在日常工作中表現(xiàn)。

非監(jiān)督學(xué)習(xí)是視覺 AI 下一步突破關(guān)鍵

今日我們所談的視覺 AI ，其實多半仍局限于靜態(tài)圖像、單一圖像，但 Saqib Shaikh 想像中的 Seeing AI 2.0，將可以解讀一系列的圖像、可以掌握使用者的偏好。

“就像當(dāng)我與妻子一起在街上走路時，她會告訴我有什么我沒看過的新東西、有什么有趣的事物。比方說，她會告訴我我們很喜歡的一間咖啡店關(guān)門了。”Saqib Shaikh 說，“一個真正的人可以了解什么是你會感興趣、什么是你會覺得重要的事物。”

而 AI 若要能夠做到這一點，就不能只是一次辨識單一圖像，而是還要能綜合理解背后的情境，甚至是接續(xù)出現(xiàn)的新的信息。Saqib Shaikh 分析，這意味著后續(xù) Seeing AI 必須運用更多非監(jiān)督學(xué)習(xí)的技術(shù)來訓(xùn)練 AI，進一步拓展 AI 對多變場景復(fù)雜信息的處理能力。

其實，Saqib Shaikh 早在求學(xué)期間意識到，為了讓身為盲人的自己表現(xiàn)更好，他必須做很多額外的努力來改變他所處的生活環(huán)境，包括不只是自己看書、而是要雇請其他人為他朗讀教科書的內(nèi)容等，才能讓自己與其他正常人站在更接近一點的比較基準(zhǔn)上。

當(dāng)時就有個朋友建議過他，與其只用嘴巴說要改變生活環(huán)境，不如實際做點什么真正的改變。這讓他早就思考過，從某種角度來講，殘疾者本人其實就是最好的創(chuàng)新者。因為，他們比任何人都了解殘疾者最迫切的需求是什么？愿意做什么嘗試？可以如何改變？

然而，在 Saqib Shaikh 進入微軟工作的近乎前 10 年，他并未在工作上試圖突出任何作為一個盲人的特殊能力。相反的，他讓自己就像一名正常的工程師一樣，絕大多數(shù)時間都投入內(nèi)部的主流專案，如 Cortana 等。

“我想，起初我是想證明自己可以成為一個主流的工程師”，Saqib Shaikh 說，而轉(zhuǎn)捩點是出現(xiàn)在他于微軟工作的第10年。“工作滿 10 年后，我覺得我已經(jīng)達(dá)到了目標(biāo)，證明了自己的能力，所以我可以開始運用自己的專業(yè)去幫助其他人。“

現(xiàn)在，他終于決定投入自己真正想做的事情，也就是用 AI 來改善殘疾人士的生活環(huán)境。就像他所說的，“我可以選擇用這一種與我自己最相關(guān)的方式，從個人經(jīng)驗來理解許多盲人的問題，并且用自己的專業(yè)來提供協(xié)助。”