看著上面的圖片人類可以很容易的描述出“這是一個正在騎摩托車的人”、“三條狗在草地上奔跑”，但如果想讓電腦“看”完圖片之后能自動給出一段這樣的概述就不是一件容易事了，而現(xiàn)在Google卻已經(jīng)做到了。

按照Google的說法，通過自行開發(fā)的機(jī)器學(xué)習(xí)系統(tǒng)，它們現(xiàn)在已經(jīng)可以用自動化的方式來為圖片添加自然語言描述。這項技術(shù)不但有望讓那些對顏色不敏感的人群可以快速理解圖片中的內(nèi)容，也可以在網(wǎng)絡(luò)狀況不好的情況下用文本來暫時替代圖片顯示；當(dāng)然，更重要的是它還可以讓Google的圖片搜索功能更強大。

在以前，業(yè)界在用計算機(jī)對圖片進(jìn)行自然語言描述時基本使用的都是計算機(jī)視覺和自然語言處理技術(shù)；但現(xiàn)在得益于機(jī)器翻譯技術(shù)的進(jìn)步，通過遞歸神經(jīng)網(wǎng)絡(luò)(RNN)轉(zhuǎn)換，機(jī)器可以先把法語轉(zhuǎn)換成一個矢量，接著另外一個RNN用戶就可以通過這個矢量把法語轉(zhuǎn)換成德語；這樣Google只要能用另外一種具備圖片識別能力的神經(jīng)網(wǎng)絡(luò)(卷積神經(jīng)網(wǎng)絡(luò)，CNN)替換掉第一個RNN就可以得到一句能描述圖片的自然語言了。

所以整個自然語言的生成過程就是由讀取視覺的神經(jīng)網(wǎng)絡(luò)CNN到產(chǎn)生語言的神經(jīng)網(wǎng)絡(luò)RNN，進(jìn)而最終得到一句自然語言。Google方面的測試顯示，這項技術(shù)的整體效果表現(xiàn)還不錯。當(dāng)然，我們從第一張圖中也可以看到這其中是會出現(xiàn)一些小錯誤甚至完全不準(zhǔn)確的情況，不過隨著數(shù)據(jù)集的增加和成熟，整體的精確度會越來越高。

其實，早在今年6月份時，Google就發(fā)過一篇博客闡述它們是如何讓用戶可以根據(jù)圖片中的內(nèi)容來搜索；在9月份時，Google又更新了它們在圖像中物體識別、分類和標(biāo)記方面的進(jìn)展。如今到了11月，Google在這方面的技術(shù)又有了新的突破。不難看出，最終機(jī)器將會更了解圖片，而人們也會更容易找到自己想要的圖片。