我們?cè)倏戳硗庖粋€(gè)例子就是圖片識(shí)別。13年的時(shí)候，中國(guó)移動(dòng)互聯(lián)網(wǎng)有一個(gè)爆發(fā)的應(yīng)用就是百度魔圖，就是普通人可以拍張照，然后系統(tǒng)會(huì)告訴你長(zhǎng)得最像哪個(gè)大咖。我們這個(gè)產(chǎn)品在連續(xù)三周在iOS總榜排名第一，最多的時(shí)候一天900萬人上傳照片，我們一下子收集了好多人臉照片(觀眾笑)。至今這也是百度移動(dòng)產(chǎn)品的記錄。
很多高科技公司都會(huì)參加一個(gè)IFW競(jìng)賽，也就是人臉識(shí)別的測(cè)評(píng)，它是怎樣的呢?就是一些照片，系統(tǒng)要判斷這是屬于同一個(gè)人還是不同的人。去年Facebook宣稱他們?nèi)〉昧俗詈玫慕Y(jié)果。但不同的公司也在不斷的PK，目前來講最好的結(jié)果是百度的(誤差率約0.15%)，這個(gè)結(jié)果現(xiàn)在到了什么情況呢?有人讓人來參加了這個(gè)評(píng)估，結(jié)果大概是在這個(gè)地方(誤差約0.35%)，也就是說機(jī)器可能比人還要好。當(dāng)然這只是一個(gè)具體的任務(wù)上，機(jī)器的表現(xiàn)比人好，不代表整個(gè)人工智能能達(dá)到人的地步。
還有一個(gè)很有意思的ImageNet，也就是圖像識(shí)別分類的競(jìng)賽。不同行業(yè)的人可能不一定感觸到，但我們這個(gè)行業(yè)能聽到轟隆隆的雷聲，是由于大數(shù)據(jù)，由于深度學(xué)習(xí)在發(fā)生非?？斓倪M(jìn)展。ImageNet做的是圖片的分類，過去五年里，我們可以看到錯(cuò)誤率在不斷下降，10年的第一屆，我的這個(gè)團(tuán)隊(duì)是拿了第一名，后面每年結(jié)果都在變化，去年最好的結(jié)果是我們?cè)诎俣鹊耐伦龅模固垢Ｍ瑯右沧隽艘粋€(gè)評(píng)估，看人類來做這個(gè)測(cè)試結(jié)果會(huì)是怎樣。
(ImageNet)微軟在今年1月份發(fā)布的結(jié)果超過了百度，前段時(shí)間Google的同事的結(jié)果又比微軟好，上個(gè)禮拜，我同事和我說，我們的結(jié)果比Google還好。所以這個(gè)競(jìng)爭(zhēng)很有意思，很多年后我們?cè)倩叵刖陀X得，我們這些不同公司的研究人員就像一個(gè)班上的同學(xué)一起PK，一起分享經(jīng)驗(yàn)，實(shí)際是在一起推動(dòng)行業(yè)的發(fā)展的。
OK，圖像的理解始終是和我們?nèi)祟悓?duì)知識(shí)的理解以及語言總是能夠耦合在一起的，那怎么把這個(gè)事情做得更加有意思呢?我們?cè)谛r(shí)候可能做過“看圖說話”，用語言來描述這幅圖像，比如這幅圖，用中文描述就是“起居室里有著百色的沙發(fā)和藍(lán)色的地毯，下午的陽光照進(jìn)房間”。這樣的描述實(shí)際上是由機(jī)器來完成的。這是去年百度的研究人員最早在世界上發(fā)表了這樣的論文，后來Google等都發(fā)表了類似的論文，也引用了我們的研究結(jié)果。
我們現(xiàn)在也在做一些中文的描述，比如說這個(gè)例子：“一輛雙層巴士行駛在街道上”。我們可以做什么呢?比如說做圖像識(shí)別，我們?nèi)フ翌愃频膱D片，得出來的圖像可能是這樣的(一些街景)，因?yàn)檫@個(gè)圖像它的主要內(nèi)容是建筑和街道。但如果我們用自然語言來描述這個(gè)場(chǎng)景，我們的出來的類似圖片是不一樣的。我們?cè)诎俣热绾斡米匀徽Z言描述去提升我們對(duì)圖像的理解，它背后的模型再度驗(yàn)證了我剛才的一個(gè)觀點(diǎn)：深度學(xué)習(xí)實(shí)際提供的是一個(gè)語言系統(tǒng)，對(duì)于一個(gè)具體的問題，你要有能力去構(gòu)建模型，模擬這樣一個(gè)問題。這樣一個(gè)例子就是下面是一個(gè)深度的卷積神經(jīng)網(wǎng)絡(luò)，它產(chǎn)生的一個(gè)表示，上面是一個(gè)多層的神經(jīng)網(wǎng)絡(luò)去產(chǎn)生語言的模型。這樣的結(jié)果就是，它既是符合我們語義的語言，同時(shí)也反映了圖像的內(nèi)容。
我們?cè)龠M(jìn)一步去想：我們可以去做一些更加像人類做的事情。比如說對(duì)這樣一個(gè)圖像，我們可以去教小孩，去學(xué)習(xí)一些東西。這樣的圖像，機(jī)器可能會(huì)問小孩：他站在什么上?“他”是單人旁的他，而不是女字旁的“她”哦。我們也希望機(jī)器能回答這個(gè)問題，根據(jù)圖片本身的像素，根據(jù)本身的問題能夠回答：他站在沖浪板上。機(jī)器可能還會(huì)繼續(xù)問：那他有穿上衣嗎?然后機(jī)器可以回答：沒有。這都是今天的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)根據(jù)圖片內(nèi)容自動(dòng)生成的。它已經(jīng)超越了我們過去的圖像識(shí)別，也就是“你有什么東西”，變成了“你有什么樣的語義”和“你有什么樣的關(guān)系”。
對(duì)未來機(jī)器人、自動(dòng)駕駛、人工智能的思考
這里回到一個(gè)我們對(duì)人工智能目前的現(xiàn)狀和未來的一個(gè)思考：過去的互聯(lián)網(wǎng)服務(wù)，它做的事情也有幾個(gè)方面，一個(gè)是感知，另外一個(gè)理解，還有一個(gè)決策。感知就是獲取數(shù)據(jù)，經(jīng)過大規(guī)模的計(jì)算，比如處理，索引，然后在決策的時(shí)候能展示什么樣的結(jié)果和服務(wù)。這些所有都是線上的。今天移動(dòng)互聯(lián)網(wǎng)與人更近，它和你所處的場(chǎng)景有關(guān)系。從感知的角度講我們要從人，從物理世界獲得信息，這種線下信息可能比互聯(lián)網(wǎng)世界更加重要。從服務(wù)的角度，以前是線上的服務(wù)，它會(huì)向線下延伸，向傳統(tǒng)行業(yè)延伸。像智能硬件、自動(dòng)駕駛、機(jī)器人，會(huì)在未來扮演更加重要的角色。