近日， 在第二屆視覺對話競賽Visual Dialogue Challenge中，阿里AI擊敗了微軟、首爾大學等十支參賽隊伍，獲得冠軍。

(阿里AI在視覺對話競賽中得冠)

據了解，視覺對話競賽由美國佐治亞理工大學、Facebook人工智能實驗室(FAIR)等機構聯合全球視覺技術領域頂級學術會議CVPR發起，是目前視覺對話領域最權威的競賽之一。

該競賽要求參賽的AI在看完近萬張圖片后，回答出人類對于任一圖片任一內容的提問。競賽結果顯示，阿里AI以74.57%的準確率獲得冠軍，將上一屆比賽的紀錄提高了16.82%。在相同的數據集中，人類的準確率僅為64.27%。

傳統的視覺AI主要針對目標的檢測和識別，例如識別出圖片是否是一只貓，但對復雜場景中目標之間的邏輯關系理解、推理能力較弱，無法回答“這只貓旁邊的男生穿了什么顏色的衣服”等復雜問題，也難以將圖片信息轉化為人類理解的語言輸出。

阿里AI的突破在于提出了“遞歸探索對話模型”，綜合集成了圖像識別、關系推理與自然語言理解三大能力，它通過高效利用標注信息學習出模仿人類認知復雜場景的思維方式，能夠有效識別圖片里的實體以及它們之間的關系，推理出圖片所描述的事件內容，并通過對上下文進行有效建模，理解人類提出的問題及真實意圖，給出自然準確的回復。

視覺對話是近年來快速崛起的AI研究方向，目的在于教會機器用自然語言與人類討論視覺內容。如果說視覺識別技術，讓機器具備了視覺能力;那么視覺對話技術，則使得機器擁有了對真實視覺世界的理解與推斷能力，意味著AI的認知能力將邁上新的臺階。

據了解，這項技術未來將被應用在人機交互諸多場景：地震后在廢墟中尋找幸存者的救援機器人，能夠更加及時、高效地綜合指揮指令和場景信息作出行動;視障人士可以通過提問阿里AI，理解網絡照片中的內容，了解自身所處的周圍環境;無人駕駛車輛對影響因子的意圖理解會更為準確，乘客的乘坐體驗更好。