準(zhǔn)確地描述圖像，而不僅僅是像一個毫無頭緒的機器人，長期以來一直是人工智能的目標(biāo)。2016年，谷歌表示，其人工智能可以為圖像添加幾乎與人類一樣的字幕，準(zhǔn)確率為94%。現(xiàn)在微軟說它已經(jīng)更進(jìn)一步：研究人員已經(jīng)建立了一個比人類更精確的人工智能系統(tǒng)，以至于它現(xiàn)在位于nocaps圖像捕獲基準(zhǔn)的排行榜首位。微軟聲稱，它比自2015年以來一直使用的圖像字幕模型好兩倍。

雖然這本身就是一個值得注意的里程碑，但微軟并不只是將這項技術(shù)獨家。它現(xiàn)在提供新的字幕模型作為Azure認(rèn)知服務(wù)的一部分，這樣任何開發(fā)者都可以把它帶到他們的應(yīng)用程序中。今天，它也可以在Seeing AI中使用，這是微軟為盲人和視障用戶開發(fā)的應(yīng)用程序，可以幫助他們了解周圍的世界。今年晚些時候，字幕模式還將改進(jìn)您在PowerPoint中用于Web、Windows和Mac的演示文稿，它還會在桌面平臺上的Word和Outlook中彈出。

Azure AI首席副總裁埃里克博伊德說：“［圖像字幕］是人工智能中最棘手的問題之一。它不僅代表著理解場景中的物體，還代表了它們是如何交互的，以及如何描述它們。”優(yōu)化字幕技術(shù)可以幫助每一個用戶：它讓你更容易在搜索引擎中找到你正在尋找的圖像。對于視障用戶來說，它可以讓網(wǎng)絡(luò)和軟件導(dǎo)航變得非常好。

看到公司吹噓他們的人工智能研究創(chuàng)新并不少見，但這些發(fā)現(xiàn)迅速部署到運輸產(chǎn)品中的情況要罕見得多。Azure AI認(rèn)知服務(wù)CTO黃學(xué)冬，考慮到對用戶的潛在好處，力推將其快速整合到Azure中。他的團隊用標(biāo)有特定關(guān)鍵字的圖像訓(xùn)練了這個模型，這幫助它提供了一種大多數(shù)人工智能框架所沒有的視覺語言。通常，這些類型的模型使用圖像和完整的字幕進(jìn)行訓(xùn)練，這使得模型更難了解特定對象是如何交互的。

黃學(xué)冬在一篇博客文章中說：“這種視覺詞匯的預(yù)訓(xùn)練本質(zhì)上是訓(xùn)練系統(tǒng)所需的教育；我們正在努力教育這種運動記憶。”這就是為什么這個新模型在nocaps基準(zhǔn)中占據(jù)了一席之地，該基準(zhǔn)專注于確定人工智能對他們以前從未見過的圖像的字幕能力有多好。

但是，雖然打破基準(zhǔn)意義重大，但對微軟新模式的真正考驗將是它在現(xiàn)實世界中的運作方式。根據(jù)Boyd的說法，看到人工智能開發(fā)人員Saqib Shaik，他自己也是一個盲人，也在微軟推動更好的可訪問性，他將其描述為比他們之前提供的產(chǎn)品有了戲劇性的改進(jìn)。現(xiàn)在微軟已經(jīng)建立了一個新的里程碑，看看谷歌和其他研究人員的競爭模型如何競爭將是一件有趣的事情。
責(zé)任編輯：YYX