說起人工智能，孕育了卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)算法的 ImageNet 挑戰(zhàn)賽恐怕是世界上最著名的 AI 數(shù)據(jù)集。8 年來，在 ImageNet 數(shù)據(jù)集的訓(xùn)練下，人工智能對于圖像識別的準(zhǔn)確度整整提高了 10 倍，甚至超越了人類視覺本身。

然而，AI 領(lǐng)域的科學(xué)家們并沒有停下前進(jìn)的腳步。上個周末，人工智能領(lǐng)域最卓越的科學(xué)家之一：斯坦福大學(xué)終身教授、谷歌云首席科學(xué)家李飛飛在未來論壇年會上，為我們做了一場名為“超越 ImageNet 的視覺智能”的精彩演講。她告訴我們，AI 不僅僅能夠精準(zhǔn)辨認(rèn)物體，還能夠理解圖片內(nèi)容、甚至能根據(jù)一張圖片寫一小段文章，還能“看懂”視頻……

我們都知道，地球上有很多種動物，這其中的絕大多數(shù)都有眼睛，這告訴我們視覺是最為重要的一種感覺和認(rèn)知方式。它對動物的生存和發(fā)展至關(guān)重要。

所以無論我們在討論動物智能還是機(jī)器智能，視覺是非常重要的基石。世界上所存在的這些系統(tǒng)當(dāng)中，我們目前了解最深入的是人類的視覺系統(tǒng)。從 5 億多年前寒武紀(jì)大爆發(fā)開始，我們的視覺系統(tǒng)就不斷地進(jìn)化發(fā)展，這一重要的過程得以讓我們理解這個世界。而且視覺系統(tǒng)是我們大腦當(dāng)中最為復(fù)雜的系統(tǒng)，大腦中負(fù)責(zé)視覺加工的皮層占所有皮層的 50％，這告訴我們，人類的視覺系統(tǒng)非常了不起。

寒武紀(jì)物種大爆發(fā)

一位認(rèn)知心理學(xué)家做過一個非常著名的實驗，這個實驗?zāi)芨嬖V大家，人類的視覺體系有多么了不起。大家看一下這個視頻，你的任務(wù)是如果看到一個人的話就舉手。每張圖呈現(xiàn)的時間是非常短的，也就是 1／10 秒。不僅這樣，如果讓大家去尋找一個人，你并不知道對方是什么樣的人，或者 TA 站在哪里，用什么樣的姿勢，穿什么樣的衣服，然而你仍然能快速準(zhǔn)確地識別出這個人。

1996 年的時候，法國著名的心理學(xué)家、神經(jīng)科學(xué)家 Simon J． Thorpe 的論文證明出視覺認(rèn)知能力是人類大腦當(dāng)中最為了不起的能力，因為它的速度非常快，大概是 150 毫秒。在 150 毫秒之內(nèi)，我們的大腦能夠把非常復(fù)雜的含動物和不含動物的圖像區(qū)別出來。那個時候計算機(jī)與人類存在天壤之別，這激勵著計算機(jī)科學(xué)家，他們希望解決的最為基本的問題就是圖像識別問題。

在 ImageNet 之外，在單純的物體識別之外，我們還能做些什么？

過了 20 年到現(xiàn)在，計算機(jī)領(lǐng)域內(nèi)的專家們也針對物體識別發(fā)明了幾代技術(shù)，這個就是眾所周知的 ImageNet。我們在圖像識別領(lǐng)域內(nèi)取得了非常大的進(jìn)步：8 年的時間里，在 ImageNet 挑戰(zhàn)賽中，計算機(jī)對圖像分類的錯誤率降低了 10 倍。同時，這 8 年當(dāng)中一項巨大的革命也出現(xiàn)了： 2012 年，卷積神經(jīng)網(wǎng)絡(luò)（convolutionary neural network）和 GPU（圖形處理器，Graphic Processing Unit）技術(shù)的出現(xiàn)，對于計算機(jī)視覺和人工智能研究來說是個非常令人激動的進(jìn)步。作為科學(xué)家，我也在思考，在 ImageNet 之外，在單純的物體識別之外，我們還能做些什么？

8年的時間里，在ImageNet挑戰(zhàn)賽中，計算機(jī)對圖像分類的錯誤率降低了10倍。

通過一個例子告訴大家：兩張圖片，都包含一個動物和一個人，如果只是單純的觀察這兩張圖中出現(xiàn)的事物，這兩張圖是非常相似的，但是他們呈現(xiàn)出來的故事卻是完全不同的。當(dāng)然你肯定不想出現(xiàn)在右邊這張圖的場景當(dāng)中。

這里體現(xiàn)出了一個非常重要的問題，也就是人類能夠做到的、最為重要、最為基礎(chǔ)的圖像識別功能——理解圖像中物體之間的關(guān)系。為了模擬人類，在計算機(jī)的圖像識別任務(wù)中，輸入的是圖像，計算機(jī)所輸出的信息包括圖像中的物體、它們所處的位置以及物體之間的關(guān)系。目前我們有一些前期工作，但是絕大多數(shù)由計算機(jī)所判斷的物體之間的關(guān)系都是十分有限的。

最近我們開始了一項新的研究，我們使用深度學(xué)習(xí)算法和視覺語言模型，讓計算機(jī)去了解圖像中不同物體之間的關(guān)系。

計算機(jī)能夠告訴我們不同物體之間的空間關(guān)系，能在物體之間進(jìn)行比較，觀察它們是否對稱，然后了解他們之間的動作，以及他們之間的介詞方位關(guān)系。所以這是一個更為豐富的方法，去了解我們的視覺世界，而不僅僅是簡單識別一堆物體的名稱。

Visual Relationship Detection with Language Priors

更有趣的是，我們甚至可以讓計算機(jī)實現(xiàn) Zero short（0 樣本學(xué)習(xí)）對象關(guān)系識別。舉個例子，用一張某人坐在椅子上、消防栓在旁邊的圖片訓(xùn)練算法。然后再拿出另一張圖片，一個人坐在消防栓上。雖然算法沒見過這張圖片，但能夠表達(dá)出這是“一個人坐在消防栓上”。類似的，算法能識別出“一匹馬戴著帽子”，雖然訓(xùn)練集里只有“人騎馬”以及“人戴著帽子”的圖片。

讓 AI 讀懂圖像

在物體識別問題已經(jīng)很大程度上解決以后，我們的下一個目標(biāo)是走出物體本身，關(guān)注更為廣泛的對象之間的關(guān)系、語言等等。

ImageNet 為我們帶來了很多，但是它從圖像中識別出的信息是非常有限的。COCO 軟件則能夠識別一個場景中的多個物體，并且能夠生成一個描述場景的短句子。但是視覺信息數(shù)據(jù)遠(yuǎn)不止這些。

經(jīng)過三年的研究，我們發(fā)現(xiàn)了一個可以有更為豐富的方法來描述這些內(nèi)容，通過不同的標(biāo)簽，描述這些物體，包括他們的性質(zhì)、屬性以及關(guān)系，然后通過這樣的一個圖譜建立起他們之間的聯(lián)系，我們稱之為 Visual Genome dataset（視覺基因組數(shù)據(jù)集）。這個數(shù)據(jù)集中包含 10 多萬張圖片，100 多萬種屬性和關(guān)系標(biāo)簽，還有幾百萬個描述和問答信息。在我們這樣一個數(shù)據(jù)集中，能夠非常精確地讓我們超越物體識別，來進(jìn)行更加精確的對于物體間關(guān)系識別的研究。

那么我們到底要怎么使用這個工具呢？場景識別就是一個例子：它單獨來看是一項簡單的任務(wù)，比如在谷歌里搜索“穿西裝的男人”或者“可愛的小狗”，都能直接得到理想的結(jié)果。但是當(dāng)你搜索“穿西裝的男人抱著可愛的小狗”的時候，它的表現(xiàn)就變得糟糕了，這種物體間的關(guān)系是一件很難處理的事情。

絕大多數(shù)搜索引擎的這種算法，在搜索圖像的時候，可能很多還是僅僅使用物體本身的信息，算法只是簡單地了解這個圖有什么物體，但是這是不夠的。比如搜索一個坐在椅子上的男性的圖片，如果我們能把物體之外、場景之內(nèi)的關(guān)系全都包含進(jìn)來，然后再想辦法提取精確的關(guān)系，這個結(jié)果就會更好一些。

2015 年的時候，我們開始去探索這種新的呈現(xiàn)方法，我們可以去輸入非常長的描述性的段落，放進(jìn) ImageNet 數(shù)據(jù)集中，然后反過來把它和我們的場景圖進(jìn)行對比，我們通過這種算法能夠幫助我們進(jìn)行很好的搜索，這就遠(yuǎn)遠(yuǎn)地超過了我們在之前的這個圖像搜索技術(shù)當(dāng)中所看到的結(jié)果。

Google圖片的準(zhǔn)確率已經(jīng)得到了顯著提升

這看起來非常棒，但是大家會有一個問題，在哪里能夠找到這些場景圖像呢？構(gòu)建起一個場景圖是一件非常復(fù)雜并且很困難的事情。目前 Visual Genome 數(shù)據(jù)集中的場景圖都是人工定義的，里面的實體、結(jié)構(gòu)、實體間的關(guān)系和到圖像的匹配都是我們?nèi)斯ね瓿傻模^程挺痛苦的，我們也不希望以后還要對每一個場景都做這樣的工作。

所以我們下一步的工作，就是希望能夠出現(xiàn)自動地產(chǎn)生場景圖的一個技術(shù)。所以我們在今年夏天發(fā)表的一篇 CVPR 文章中做了這樣一個自動生成場景圖的方案：對于一張輸入圖像，我們首先得到物體識別的備選結(jié)果，然后用圖推理算法得到實體和實體之間的關(guān)系等等；這個過程都是自動完成的。

Scene Graph Generation by Iterative Message Passing