AlphaGo已經(jīng)擊敗圍棋冠軍而大多數(shù)計(jì)算機(jī)視覺只能完成3歲任務(wù)

2020-08-25 08:53:03來源：開源中國

20 世紀(jì) 50 年代和 60 年代，計(jì)算機(jī)視覺并沒有被看成重頭戲，人們認(rèn)為視覺系統(tǒng)很容易復(fù)制，而教計(jì)算機(jī)下棋更加困難。但是現(xiàn)在，AlphaGo 已經(jīng)擊敗圍棋冠軍，IBM Watson 也在 Jeopardy 中擊敗人類競(jìng)賽者，而大多數(shù)計(jì)算機(jī)視覺軟件最多只能完成 3 歲兒童的任務(wù)……

理論與實(shí)踐不斷證明，人類視覺神經(jīng)非常復(fù)雜，計(jì)算機(jī)視覺實(shí)現(xiàn)并非易事。計(jì)算機(jī)視覺研究從上世紀(jì) 50 年代興起之后，也歷經(jīng)了狂歡、冷靜，又重新燃起希望的階段。

本篇編譯整理自計(jì)算機(jī)視覺相關(guān)文章，介紹計(jì)算機(jī)視覺各階段的理論支撐與外部輿論變化。

最早的人工智能想象大多數(shù)人都認(rèn)為，是現(xiàn)代人創(chuàng)造了人工智能的概念，實(shí)際上遠(yuǎn)古祖先也提出了思考型機(jī)器人的理論。

大約 3000 年前，荷馬描述了火神赫菲斯托斯(Hephaestus)的故事。赫菲斯托斯用黃金塑造了機(jī)械侍女，并賦予她們理性和學(xué)習(xí)能力。在無人駕駛汽車問世之前的幾個(gè)世紀(jì)，古希臘作家阿波羅紐斯(Apollonius)用想象力創(chuàng)造了塔洛斯(Talos)，這是一個(gè)青銅自動(dòng)機(jī)，負(fù)責(zé)保衛(wèi)克里特島。

但這些歷史性的敘述并不能準(zhǔn)確描述當(dāng)今正在開發(fā)的人工智能的種類。因?yàn)楸M管現(xiàn)在大多數(shù)人工智能程序無法將其目標(biāo)任務(wù)之外的知識(shí)概括化，但是對(duì)于本身給定的預(yù)期，他們已經(jīng)達(dá)到或超過人類水平。

人的視覺與計(jì)算機(jī)視覺人類視覺系統(tǒng)非常特別，超過 50% 的神經(jīng)組織直接或間接地與視覺有關(guān)，其中超過 66% 的神經(jīng)活動(dòng)僅為處理視覺。今天人們對(duì)視覺、知覺的了解大部分來自 1950 年代和 1960 年代對(duì)貓進(jìn)行的神經(jīng)生理學(xué)研究。

上世紀(jì) 50 年代初期，哈佛醫(yī)學(xué)院的兩位神經(jīng)科學(xué)家 David Hubel 和 Torsten Wiesel 在貓的視覺皮層上進(jìn)行了一項(xiàng)實(shí)驗(yàn)。通過研究神經(jīng)元對(duì)各種刺激的反應(yīng)，兩位科學(xué)家觀察到，人類的視覺是分級(jí)的。神經(jīng)元檢測(cè)簡(jiǎn)單的特征，例如邊緣，然后輸入更復(fù)雜的特征，如形狀，最后再輸入更復(fù)雜的視覺表示。基于這些知識(shí)，計(jì)算機(jī)科學(xué)家就可以專注于以數(shù)字形式重建人類神經(jīng)結(jié)構(gòu)。

早期樂觀人工智能領(lǐng)域成立于 1956 年在達(dá)特茅斯學(xué)院舉行的夏季研討會(huì)上，來自不同領(lǐng)域的科學(xué)家們聚集在一起，以闡明并發(fā)展關(guān)于 “思維機(jī)器”的觀點(diǎn)。

1960 年代，大學(xué)開始認(rèn)真進(jìn)行計(jì)算機(jī)視覺研究，并將該項(xiàng)目視為人工智能的奠基石。

麻省理工學(xué)院的神經(jīng)科學(xué)家戴維 · 馬爾(David Marr)在 70 年代出版了一本《VISION》，匯集了一些方法，作出了可檢測(cè)的預(yù)測(cè)，提供解決神經(jīng)科學(xué)問題的框架，并激發(fā)一代年輕科學(xué)家研究大腦及計(jì)算。該書提出了一種用于研究生物視覺系統(tǒng)的計(jì)算范例，并介紹信息處理系統(tǒng)的三個(gè)不同分析層次概念，即計(jì)算理論層次、表示形式和算法層次、以及實(shí)現(xiàn)層次。他們分別指向：計(jì)算的目標(biāo)是什么;解決問題、實(shí)現(xiàn)目標(biāo)的陳述與流程;這些表示和過程的物理實(shí)例化，例如如何在神經(jīng)元中完成特定任務(wù)。這三個(gè)層次劃分的意義是，研究者從視覺系統(tǒng)的宏觀表示出發(fā)進(jìn)行思考，而不是查看如單個(gè)神經(jīng)元式的微觀實(shí)體。

Marr 建立了視覺表示框架，任何視覺系統(tǒng)感知到的強(qiáng)度，都是四個(gè)主要因素的函數(shù)：幾何形狀，意指形狀和相對(duì)位置;可見表面的反射率和絕對(duì)吸附特性，即物理特性;照明，即光源;相機(jī)，包含光學(xué)。

早期研究人員對(duì)相關(guān)領(lǐng)域的未來非常樂觀，并提倡把人工智能作為一種可以改變世界的技術(shù)。一些人預(yù)測(cè)，一代人的時(shí)間內(nèi)就會(huì)創(chuàng)造出像人類一樣聰明的機(jī)器，這種炒作為研究人員贏得了數(shù)百萬美元的公共和私人資金，研究中心在全球涌現(xiàn)。但是由于接下里的發(fā)展未能達(dá)到人們的高預(yù)期，國際上的人工智能開發(fā)工作受到了限制。

AI 視覺的冬天研究人員以極大的樂觀度，將公眾的期望提高到了令人難以置信的高度，卻未能體會(huì)到他們?yōu)樽约涸O(shè)定的挑戰(zhàn)的難度。當(dāng)研究人員承諾的預(yù)期未能達(dá)成時(shí)，這個(gè)研究領(lǐng)域遭到了猛烈的批評(píng)，和嚴(yán)重的財(cái)務(wù)挫折。

早期的計(jì)算資源在技術(shù)上無法跟上科學(xué)家提出的復(fù)雜問題，即使是最令人印象深刻的項(xiàng)目也只能解決微不足道的問題。此外，大多數(shù)研究人員都是在孤立的小組內(nèi)工作，缺乏比較有意義的，可以推進(jìn)該領(lǐng)域科學(xué)進(jìn)展的方式。

有一則故事可以反映當(dāng)時(shí)研究人員的美好預(yù)期、以及預(yù)期落空后他們自身及和外界的失落與嘲諷。

1966 年，美國計(jì)算機(jī)科學(xué)家、麻省理工學(xué)院 AI 實(shí)驗(yàn)室聯(lián)合創(chuàng)始人馬文 · 明斯基(Marvin Minsky)獲得了暑期津貼，聘請(qǐng)了一年級(jí)的本科生杰拉爾德 · 蘇斯曼(Gerald Sussman)，讓他花費(fèi)整個(gè)夏天的時(shí)間把一臺(tái)攝像機(jī)與計(jì)算機(jī)連接起來，并讓計(jì)算機(jī)描述它看到了什么。“不用說，蘇斯曼沒有在截止日期前完成，”Motion Metrics 的機(jī)器學(xué)習(xí)開發(fā)人員 Hooman Shariati 曾說，“在接下來的四十年中，視覺成為人工智能領(lǐng)域最困難、最令人沮喪的挑戰(zhàn)之一。正如機(jī)器視覺專家貝特霍爾德 · 霍恩(Berthold Horn)曾經(jīng)指出的那樣，蘇斯曼選擇不再在視覺領(lǐng)域工作。”

到 70 年代中期，政府和公司對(duì)人工智能失去了信心，行業(yè)資金枯竭。數(shù)學(xué)家詹姆斯 · 萊特希爾(James Lighthill)1973 年發(fā)表了一篇論文，批評(píng)早期人工智能研究，這為后來英國政府撤回對(duì)該領(lǐng)域的支持奠定了研究基礎(chǔ)。

隨后的這段時(shí)間被稱為 “人工智能的冬天”。雖然 20 世紀(jì) 80 年代和 90 年代研究還在繼續(xù)，也有過一些小規(guī)模的復(fù)興，但人工智能基本上被被歸入了科幻小說的范疇，嚴(yán)肅的計(jì)算機(jī)科學(xué)家都避免使用這個(gè)詞。

卷積神經(jīng)網(wǎng)絡(luò)出現(xiàn)與多倫多大學(xué)的突破隨著互聯(lián)網(wǎng)成為主流，計(jì)算機(jī)科學(xué)家有了可以訪問更多數(shù)據(jù)的權(quán)限。計(jì)算機(jī)硬件在繼續(xù)改進(jìn)，成本則在下降。80 年代到 90 年代，基本神經(jīng)網(wǎng)絡(luò)和算法得到改進(jìn)。

1998 年，Bengio、Le Cun、Bottou 和 Haffner 在一篇論文中首次介紹了第一個(gè)卷積神經(jīng)網(wǎng)絡(luò) LeNet-5，能夠分類手寫數(shù)字。

卷積神經(jīng)網(wǎng)絡(luò)可以做到平移不變形，即使對(duì)象的外觀發(fā)生某種方式的變化，也可以識(shí)別出對(duì)象。卷積神經(jīng)網(wǎng)絡(luò)通過監(jiān)督學(xué)習(xí)和反向傳播對(duì)輸入到卷積網(wǎng)絡(luò)中的數(shù)據(jù)做訓(xùn)練，并反復(fù)、自我校正。和同樣可以做反向傳播的深度神經(jīng)網(wǎng)絡(luò)相比，卷積神經(jīng)網(wǎng)絡(luò)的特殊之處在于神經(jīng)元之間的鏈接結(jié)構(gòu)和獨(dú)特的隱藏架構(gòu)的方式，這是由人類視覺皮層內(nèi)部的視覺數(shù)據(jù)處理機(jī)制啟發(fā)得來的。此外，CNN 中的圖層按照寬度、高度和深度三個(gè)維度進(jìn)行組織。

卷積網(wǎng)絡(luò)最重要的屬性之一就是，不管有多少層，整個(gè) CNN 系統(tǒng)僅由兩個(gè)部分組成：特征提取和分類。通過對(duì)特定特征的選擇，以及通過前饋鏈接增加空間不變性，這也是人工視覺系統(tǒng)如 CNN 非常獨(dú)特的原因。

深度神經(jīng)網(wǎng)絡(luò)研究應(yīng)用也有進(jìn)步，并且使人們信心大增。2012 年，人工智能在 ImageNet 大規(guī)模視覺識(shí)別挑戰(zhàn)(ILSVRC)上取得突破。

ILSVRC 是一個(gè)年度圖像分類比賽，研究團(tuán)隊(duì)在給定的數(shù)據(jù)集上做視覺識(shí)別任務(wù)，評(píng)估算法準(zhǔn)確性。2010 年和 2011 年，ILSVRC 獲獎(jiǎng)?wù)叩腻e(cuò)誤率一直在 26% 左右。2012 年，來自多倫多大學(xué)的團(tuán)隊(duì)帶來一個(gè)名為 AlexNet 的深度神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了 16.4% 的錯(cuò)誤率。在接下來的幾年中，ILSRVC 的錯(cuò)誤率下降到了幾個(gè)百分點(diǎn)。

基于 AI 的計(jì)算機(jī)視覺的未來當(dāng)下，人們已經(jīng)知道，視覺能力是人類承擔(dān)的生物學(xué)生最復(fù)雜的任務(wù)之一，對(duì)計(jì)算機(jī)視覺的研究和預(yù)期也更加貼近世界。同時(shí)，基于對(duì)人類視覺能力了解的深入，計(jì)算機(jī)視覺研究人員也在不斷更新算法和理論。

CNN 已經(jīng)廣泛用于需要處理視覺和空間信息的系統(tǒng)中。但隨著人工智能需要解決更高級(jí)的問題，對(duì)計(jì)算和電力資源的增長需求成為 CNN 最突出的問題之一。研究人員的注意力也在逐漸轉(zhuǎn)向尖峰神經(jīng)網(wǎng)絡(luò) SNN，這是一種新型的 ANN ，受大腦神經(jīng)動(dòng)力學(xué)的啟發(fā)，具有事件驅(qū)動(dòng)，快速推理和省電的特性，也被認(rèn)為是第三代神經(jīng)網(wǎng)絡(luò)。

接下來 SNN 要優(yōu)化解決的一個(gè)問題是視覺注意 VA 與智力。人類可分散的注意力使得人能同時(shí)執(zhí)行多個(gè)任務(wù)，注意力轉(zhuǎn)移可以使人快速訪問新信息。視覺注意力研究的核心目標(biāo)是要使處理的視覺信息量最少，以解決復(fù)雜的高級(jí)任務(wù)，例如對(duì)象識(shí)別。

計(jì)算機(jī)視覺任務(wù)主要涉及處理靜態(tài)圖像，人類眼睛在檢測(cè)到場(chǎng)景變化向大腦傳遞信息——這是一個(gè)事件，生物視覺系統(tǒng)的這一關(guān)鍵特性允許將注意力選擇性地集中在場(chǎng)景的顯著部分上，從而大量減少需要處理的信息量。

假設(shè)針對(duì)一張人在草地上打高爾夫的圖像。傳統(tǒng)的傳感器中，數(shù)據(jù)以幀的形式傳輸，圖像上的所有內(nèi)容都要經(jīng)過處理，而重要的信息是人的運(yùn)動(dòng)，以及帶動(dòng)的球桿和球的運(yùn)動(dòng)。這時(shí)，基于事件的傳感器并不會(huì)讀取每個(gè)像素并且以恒定速率發(fā)送幀，而是在檢測(cè)到像素局部亮度變化是，從每個(gè)像素異步發(fā)送數(shù)據(jù)包或事件，從而減少計(jì)算、傳輸?shù)臄?shù)據(jù)和功耗。

研究人員認(rèn)為，CNN 非常適合靜態(tài)圖像中的對(duì)象識(shí)別，但它缺乏動(dòng)態(tài)特性來處理基于事件的傳感器的實(shí)時(shí)數(shù)據(jù)集。因此，SNN 被寄予厚望。

現(xiàn)在人工智能已經(jīng)無縫集成到日常生活的多方面。研究人員表示，近年來，人工智能在許多研究領(lǐng)域都取得了巨大的成功。像 AlphaGo 這樣的游戲系統(tǒng)已經(jīng)使用強(qiáng)化學(xué)習(xí)來自學(xué)，助聽器使用深度學(xué)習(xí)算法過濾掉環(huán)境噪音，這些技術(shù)甚至為自然語言處理與翻譯、對(duì)象識(shí)別以及模式匹配系統(tǒng)提供了動(dòng)力，我們已經(jīng)對(duì)谷歌、亞馬遜、iTunes 等提供的類似服務(wù)習(xí)以為常。這種趨勢(shì)也絲毫沒有放慢的跡象，人們可以用計(jì)算機(jī)自動(dòng)化執(zhí)行許多小的重復(fù)性任務(wù)以節(jié)省時(shí)間。

盡管人工智能領(lǐng)域取得了令人難以置信的進(jìn)步，但計(jì)算機(jī)視覺的應(yīng)用仍有很長的路要走，因?yàn)榫嚯x計(jì)算機(jī)可以像人類一樣地去解釋圖像還需要很長時(shí)間。就像文章開頭提到的那樣，AlphaGo 早已擊敗了人類圍棋冠軍，計(jì)算機(jī)視覺的識(shí)圖能力僅相當(dāng)于一個(gè) 3 歲的小孩。

標(biāo)簽：計(jì)算機(jī)視覺3歲