說起人工智能，孕育了卷積神經(jīng)網(wǎng)絡和深度學習算法的 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)集的訓練下，人工智能對于圖像識別的準確度整整提高了 10 倍，甚至超越了人類視覺本身。

然而，AI 領域的科學家們并沒有停下前進的腳步。上個周末，人工智能領域最卓越的科學家之一：斯坦福大學終身教授、谷歌云首席科學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 不僅僅能夠精準辨認物體，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知方式。它對動物的生存和發(fā)展至關重要。

所以無論我們在討論動物智能還是機器智能，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 億多年前寒武紀大爆發(fā)開始，我們的視覺系統(tǒng)就不斷地進化發(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)是我們大腦當中最為復雜的系統(tǒng)，大腦中負責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。

寒武紀物種大爆發(fā)

一位認知心理學家做過一個非常著名的實驗，這個實驗能告訴大家，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確地識別出這個人。

1996 年的時候，法國著名的心理學家、神經(jīng)科學家 Simon J． Thorpe 的論文證明出視覺認知能力是人類大腦當中最為了不起的能力，因為它的速度非�？�，大概是 150 毫秒。在 150 毫秒之內(nèi)，我們的大腦能夠把非常復雜的含動物和不含動物的圖像區(qū)別出來。那個時候計算機與人類存在天壤之別，這激勵著計算機科學家，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，計算機領域內(nèi)的專家們也針對物體識別發(fā)明了幾代技術，這個就是眾所周知的 ImageNet。我們在圖像識別領域內(nèi)取得了非常大的進步：8 年的時間里，在 ImageNet 挑戰(zhàn)賽中，計算機對圖像分類的錯誤率降低了 10 倍。同時，這 8 年當中一項巨大的革命也出現(xiàn)了： 2012 年，卷積神經(jīng)網(wǎng)絡（convolutionary neural network）和 GPU（圖形處理器，Graphic Processing Unit）技術的出現(xiàn)，對于計算機視覺和人工智能研究來說是個非常令人激動的進步。作為科學家，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。當然你肯定不想出現(xiàn)在右邊這張圖的場景當中。

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、最為基礎的圖像識別功能——理解圖像中物體之間的關系。為了模擬人類，在計算機的圖像識別任務中，輸入的是圖像，計算機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系。目前我們有一些前期工作，但是絕大多數(shù)由計算機所判斷的物體之間的關系都是十分有限的。