整理/ 吉菁菁 新媒体编辑/吕冰心
【主讲高朋】
王金桥
中国科学院自动化研究所研究员
▲“火眼金睛”+“最强大脑”——视觉智能技能的现状与未来（上），打开https://v.qq.com/txp/iframe/player.html?vid=x3239phsx32不雅观看
▲“火眼金睛”+“最强大脑”——视觉智能技能的现状与未来（下），打开https://v.qq.com/txp/iframe/player.html?vid=g3238xgkjn3
随着5G、AI及移动互联技能的迅猛发展，视频已全面融入了我们的日常生活，影响着我们与天下的连接办法与沟通形式。同时也带来一个严厉的寻衅：如何有效处理爆炸性增长的海量数据？视觉智能技能大概便是最佳答案。
通过场景与算法的有效结合，视觉智能技能已经在安然城市、智能交通、智能医疗、智能金融、视频侦查和移动互联网等多种场景中得到了广泛运用。视觉打算和识别的技能都是如何发展的？让我们一起探寻展望视觉智能技能的美好未来。
人工智能：大国之间竞争的新焦点
经由六十多年的发展，上升到国家计策地位的人工智能已经敲响了“未来之门”，为人类拉开了第四次工业革命的序幕，除了成为军事、工业核心的竞争力，更成为大国之间竞争的新焦点。
第四次工业革命到来之前，中国、美国、欧盟、英国、日本，都环绕着深度学习、超级算力、工业软件、智能系统这几方面做了深入布局，个中，最有代表性的便是中国和美国。从中、美比拟来看，美国在自然措辞处理、机器学习、打算机视觉领域非常强大，而中国更多在运用与打算机视觉和图像、机器人和NLP自然措辞处理领域有更多积累。
2020年，中国人工智能的论文数量第一次超过了美国，但引用次数、论文影响力比美国稍差一点。在一些大公司的布局上，人工智能的竞争核心也由一些高档院校不断转入到现在的“巨无霸”企业，美国紧张是谷歌、Facebook、亚马逊、微软，中国更多则是阿里、腾讯、字节跳动、华为等。人工智能的竞争从研究层面到企业层面，再到运用层面，目前发展得非常快。
更主要的是数据和人才的比拟。比较美国，中国拥有更丰富的C端企业和C端数据——比如交通出行、网上购物，各种各样的直播等，创业公司也在不断增加，数据迎来了持续性的、爆炸性的增长，在数据可以作为生产力主要要素的新时期，数据可以作为智能发展的强驱动力，这让中美之间的差距不断缩小。
其余，还有打算资源的极大丰富。中国现在的打算力有了大幅度跃升，给智能化供应了条件。2012年，深度学习的涌现，把一个两层的神经网络变成了几百层、上千层，而其他没有太大变革。
算法的提升，助力机器学习的性能一下提升了30%，这是大数据时期人工智能的条件。数据爆炸性的增长、算力的丰富和深度学习的复兴，给智能化时期供应了充分的条件。
不过，这也并不代表目前人工智能的智能性就特殊高。人工智能分为两部分：感知智能和认知智能。所谓感知智能，便是在数据根本上，让数据去驱动智能化的运用，没有人类的高等感知和认知观点。而认知智能是通过对数据的加工，能够理解数据，提炼出数据包含的褒贬感情、个人不雅观点以及作者不雅观点；在理解根本上，要像写作文一样，上段写完把下段写出来。现在的人工智能仍是感知智能，还处在非常弱的起步阶段，以是现阶段不用担心机器会超过人类。
技能进化：视觉运用场于关键期
作为一个生命体，人类感想熏染天下70%是依赖视觉——这也是为什么在人工智能领域，目前运用最广的是各种视觉技能，由于能代替人的眼睛。
远在寒武纪期间，一个生命体进化出了具有视觉感知的细胞，能感想熏染很近范围的太阳光，涌现了最早的视力系统。视觉产生的事理是小孔成像：光芒通过视网膜映射在我们的瞳孔中，成为一个倒立的像，再通过视神经传导到大脑的视觉神经中枢，视觉神经中枢再把它正过来，便是视觉成像。
光的浸染结束后，视觉形象在视神经并不立即消逝，这种残留的视觉称为“视觉暂留”，但是非常遗憾，这个成像韶光仅仅不到1秒。也便是说，无论面前站了多美的人，你也只能“瞥见”他1秒。1秒之后，你对他面部特色的影象点，就都是通过大脑加工出来的。下次再见面，你便是依赖这些大脑加工后的特色影象，从茫茫人海中来辨认他。
视觉技能的进化和人眼进化的过程类似。第一代摄影机胶卷的全体成像过程是仿照可见光，通过化学元素的调配，使感光胶片记录下来的影像与人眼看到的图像同等，这是化学成像阶段。后来，随着技能发展变为第二代电子管成像，等有了数字化后，电子管又进化成第三代LED液晶屏，一贯到现在的触摸屏OLED屏，成像过程从原来的仿照旗子暗记到了数字旗子暗记。
这一阶段涌现了视频编解码技能，从算法角度来看，之前很多安防场景，靠的是保安每天盯着监视器屏幕，后来有了变革检测，通过剖析检测前一帧和后一帧的影像，让机器自主学习人脸模型特色，把人脸图像投影到非线性的空间，但全体特色空间比较小，算法很难得到担保。
从2012年开始，迎来了第四代视觉技能阶段，通过深度学习网络来仿照人的感知过程，对视觉的理解从被动防御变为了主动预警，视觉识别运用场在落地关键期。
2014年，人脸识别在上一阶段的根本上，针对姿态、光照、表情、遮挡等外界影响成分，提出了一系列的改进算法与新的理论，但在现实场景中运用还不足好，常常有人坐高铁刷不了脸。
当数据积累到一定程度，2019年至今，迎来了人脸识别快速成长期，图像识别、视觉识别的技能在交通出行、住宿、手机解锁、手机转账等多个领域百花齐放，得到了广泛运用。
零售领域用视觉智能技能剖析人的行为，机器人领域运用在物流机器人，实现自动搬运、自动运输、自动抓取，在新零售领域商品自动识别、场景的OCR（Optical Character Recognition，光学字符识别，是指电子设备检讨纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成打算机笔墨的过程）和无人驾驶领域发展也特殊快，进入了人工智能视觉运用的关键期间。
运用领域：从人脸识别到百花齐放
视觉智能技能紧张涉及三个方面。第一，提取关键特色来表示。比如一堆蓝色口罩中的赤色口罩；第二，实现语义的理解。语义的理解分为几个层次，比如最底层是目标级语义：地皮、矿泉水、椅子、人坐着；还有场景级的语义，这个人在站着喝水、他们在握手，这类行为语义涉及人和人之间的交互。再往上一级，涉及环境和人之间的交互，比如两人在报告厅坐着，台上有人在演讲，可以推理这两个人在听报告；第三，关联和推理。我们理解了场景之后，该当做什么样的判断和实行，通过场景行为动作的理解和剖析，来预设下一步该当做什么。
在细颗粒度的差异上，经由大量数据演习，机器练就了“火眼金睛”：当你在路上看到一个行驶中的汽车，可能并不知道它是哪年生产的，乃至不知道它是哪个型号，机器通过大量的数据学习后，可以把这些风雅化的差异有效地分辨出来。
在无人驾驶领域，视觉智能用来办理交通场景分割、目标探测、目标速率、目标间隔、障碍物检测等问题。比如识别车道线和可行驶区域，哪条线是我要走的，哪条线是别人要走的，前面是否有红绿灯，周围是否有行人或障碍物。机器学习最大的难点是，面对没有见过的事物就手足无措，这时就须要让其跑更多的路，“喂到”更多的场景数据。这里也涉及AI的边界和局限，机器跟人还是有差异的。如果在数据标注过程中要识别一辆只露出1/3或者更少画面的车，在机器学习领域称之为困难样本，机器学起来就会特殊困难，以是在演习机器的时候，为了担保识别准确度，必须要给它很清晰的模型。
无人驾驶通用很难，大略的场景便是公园园区或者码头，点到点的路线和场景基本是单一和固定的，以是就不会有太多安全事件，而在交通繁芜的场景下，就变得非常困难。由于除了须要感知，还牵扯到决策的问题，前一段韶光出了一个新闻，无人驾驶的特斯拉行驶中撞上了一辆白色货车。特斯拉有8个视觉摄像头，为什么还撞了呢？由于它的视觉无法测距，也没有推理和知识能力，把近在咫尺的白色货车算作了远在天边的一朵白云，结果就发生了交通事件。
还有用于交通信息的采集，运用处景是车的识别。识别的特色包括车停得歪不歪、司机的行为（有没有打电话、有没有吸烟、有没有系安全带）、车的挂件摆件、车的类型品牌等。
▲车纹识别系统目前已可以风雅识别5000多种车型车款，检索假牌和套牌车，帮忙公安部门快速查找嫌疑车辆、帮助交通部门做违章车限行、大货车收费等管理（图源：中科视语）
识别车是否套牌是运用最广的，通过对类似人类指纹一样“车纹”的身份识别，可以快速地查找到真牌和假牌。可能拍一张照片，就能理解这辆车的载重、排放是多少。通过一个摄像头，就可以进行多种角度车的属性、身份、行为的识别，知道每个车的行为轨迹。
在大众传媒领域，目前运用比较普遍的是，在一个播放器上叠加一个透明播放器，通过预估摄像头的运动轨迹，把目标做有效更换，来做场景广告的植入。
电影行业里，未来虚拟的合成演员数量也会因此而增长。通过人脸上的256个关键点，精确地拟合出XYZ轴的角度，把人脸肌肉的运动用把稳力模型来仿照真实演员的动作。合成演员的上风在于能集所有精良演员的演出特色为“一脸”，而且本钱也比较低，以是未来市场空间巨大。目前一些电视台也有了自己的虚拟主播，它的声音是合成出来的，人脸的表情也很自然。
运用在体育领域，比如NBA勇士队当年夺冠，数据剖析就出了大力。一个篮球场有六个相机，对球员进行识别和剖析，比普通的识别难度大。除了要精准地定位每个衣着相同的球员的行为和轨迹，判断每个球员分别跑了多少公里，起跳多少次，多少次投篮，多少次持球，多少次运球，还要对其进行精准的数据剖析，制订应对战术。视觉智能技能也将运用在北京2022年冬奥会，对各种冰上运动中运动员的动作标准化进行剖析，运用处景非常多。
通用的物品商品识别，现在运用得越来越多。很多无人商店智能货架都是靠视觉来识别商品，每个重量不同的商品下面都有一个重力传感器，通过人进去之后抓取的动作实现人和商品的精准绑定，其他运用也包括一些智能家电。比如智能冰箱食品生鲜识别系统，你打开冰箱门的时候会自动拍照，识别冰箱内的食品，剖析食品中的营养身分，见告利用者该当吃什么。当然，目前也仍存在一些识别难点，比如土豆和姜、苹果和梨，机器有时就难以做到“窥一斑而知全豹”。
其余，这也会牵扯数据隐私等问题，今年的3·15晚会就曝光了一些通过数据侵害用户隐私的案例，目前我国也为此成立了人工智能管理专业委员会来保护个人隐私，防止大数据杀熟等行为的发生。
身份识别是大家见得最多的。通过人脸、年事、性别、姿态、衣着进行身份识别，虽然目前判断人的感情方面精度还不是特殊高，但已能通过呼吸时人脸部血管的伸缩变革，精确“瞥见”这个人的心跳和呼吸次数。
当下是人工智能快速发展的阶段，现有条件下数据爆炸性地增长，人工智能也会在数据的偏见里形成智能的偏见。像中国的人脸识别系统，比起其他人种，对黄色人种识别效果就更好，由于学习的数据样本更丰富。
视觉智能技能在各个领域里的赞助运用也越来越多。工业质检和农业也是视觉智能运用非常多的领域，通过替代人工的重复性劳动来提高生产效率。iPhone的生产线、组装线上有400个工人，个中很多特殊风雅的操作，是目前机器搞不定的，但一些重复性的质检过程，就可以利用智能化检测来代替。
我所带领研究团队的一些技能成果，也在央视一些节目中进行了展示。在央视《加油！
向未来》节目中，我们团队的机器人守门员挡住了130公里时速射过来的足球。130公里时速射过来的足球是什么观点？如果是真人守门员，这威力足以把人打穿。这里的上限在于电机的相应速率，从这一点看，机器有时候比人要厉害，如果用机器人守门员的话，中国足球的大门就非常安全了。
通用视觉：发展及未来思考
可以说，目前人工智能技能还处在爬升期。视觉、文本、NLP、自然措辞、感知技能已经相比拟较成熟，只要数据足够多，场景的边界掌控得比较好，就会发展得更为迅速。生物芯片、全自动驾驶、下一代脑机接口、量子打算等领域可能还须要二十年，高性能芯片也还有很大的发展空间，现在还处于高速成长期。
2017年，人工智能才作为独立的学科，中国科学院大学设立了海内第一个人工智能学院。目前在海内子工智能领域，中科院自动化所是中国最强的单位，所里的模式识别国家重点实验室排在环球第七位，培养了很多人才。人工智能学院招生也特殊火热，发展的空间非常大。
未来几年，机器人的理解能力、行为剖析、舆图定位的能力将越来越强。三至五年后，家务机器人可能会成为每个家庭的普遍配置；十年旁边，随着机器人情感学习能力的提升，它也可能成为人很好的陪伴。通过日常生活中的不雅观察学习，可能你回家只给机器人一个眼神，它就知道若何为你供应最好的做事。
认知智能现在还没有看到，但随着未来机器人的数据不断增加，等到它自己能主动获取数据、加工数据，优化自己模型的时候，机器人可能就有了意识。当机器人有了自我意识，有了推理能力的时候，就会涉及到生命体如何定义的问题：机器和人的差异在哪里，机器什么时候是生命体，机器人是不是有生存的代价不雅观，是不是有它的权利、能力、生存的空间⋯⋯这些都会带来很大的寻衅。
随着智能技能的发展，人类要管控机器的边界，使机器有效地为人类做事。在技能发展中人类如何管控智能，人和机器怎么和谐共存，在智能制造领域、无人驾驶领域，在操作机器过程中如何担保人的安全，对人工智能的安全管理也非常主要。
从技能角度来讲，当下语音技能比较成熟，但囿于方言、噪声、专业度等问题，语音识别还有一定的限定。相对而言，图像识别的运用会更多，只要人眼睛可以干的事，都可以用AI代替，视觉是主流运用的落地场景。安防行业中的车辆数据提取、医疗行业的影像诊断、电商行业中的精准营销，以及赞助驾驶都为图像识别技能供应了许多落地变现机会。
从行业角度来看，安防是人工智能在中国最随意马虎变现的行业：中国的城市管理者已经积累了强大的视频数据采集能力，交通拥堵和反恐等运用处景又急需最前辈的人工智能技能。互联网广告和电商蕴含大量数据，也为人工智能在这两个领域的运用供应了广阔的资源和空间。比如2020年新冠肺炎疫情期间，电商外卖业务成倍增长，通过数据优化外卖行进路径，效率变得更高。“电动化+智能化”重构了汽车的生产过程，许多工厂都是机器臂加自动化流水线进行智能生产，在这一领域，打算机视觉的运用空间也非常大。
（图源：视觉中国）
从理论发展上，人工智能将从感知智能向认知智能发展，通过编码进行快速打算，降落功耗，从“后深度学习”到量子打算，从情绪打算到伦理思考，让机器做到“察言观色”。从家当发展来看，会从人脸识别逐步向各行各业延伸，在各领域百花齐放。软件、芯片、算法、5G⋯⋯特殊是5G大幅提高通信带宽后，若何把软件算法芯片和5G领悟到一起是家当发展的主要潮流。
在未来，“人机耦合，取长补短”的状态将是一个长期过程，让我们连续期待智能家当不断改变我们的事情和生活办法，感激大家。
延伸阅读：
问：为什么男装店一样平常不须要人脸识别？
答：现在的用户画像，通过一张照片就可以看到像素级的语义理解：通过衣服、鞋子、帽子、口罩等，给人做风雅化的画像，这是现在做算法主要的运用领域。聪慧阛阓的运用，是通过人的轨迹来优化物品摆放，有时候算法是有效的，比如卖包卖汽车，人都会常常去，做好数据关联，可以提升3%-5%的发卖额。但男装就不一样了，例如某品牌男装，一天一两百人，均匀购物韶光5—10分钟，男装颜色基本是蓝色、灰色、玄色，样式也比较统一，一样平常卖得最好的便是当季最新款，用户画像没什么效果，以是男装店基本不上人工智能系统。
问：为什么人脸识别系统被戏称为“中青年人脸识别系统”？
答：由于演习模型的数据大部分都是十几岁以上、六十岁以下的，这些人是常常住酒店、坐高铁、坐飞机的主流群体，而其他年事段群体的数据就偏少。小孩的五官随年事增长会发生很大变革；而老人脸上的皱纹比较多，脸部特色和六十岁之前办的身份证会有很大差异，这些都会对人脸识别的准确度产生大的影响。
（本文内容来自4月3日的都城科学讲堂。讲堂由北京市科学技能协会主理、北京科学中央承办、北京科技报社协办，每周约请院士专家开讲，传播科学知识、科学方法，弘扬科学精神、科学文化，匆匆使"大众全面、精确理解科学。）
出品：科普中心厨房
监制：北京科技报 | 科学加客户端
