楊樂昆（Yann LeCun） 資料圖

相比識別圖片，讓人工智能系統識別視頻內容，要困難的多。因為視頻含有大量的信息，要機器理解視頻中這些豐富的內容，一直是人工智能領域里未解決的問題。

不過，在Facebook人工智能實驗室負責人楊樂昆（Yann LeCun）看來，人類既然已經教會機器辨別圖片，甚至能做到人臉識別，那么機器也能識別視頻。而教會機器學習視頻的方法與嬰兒學習相似。即讓機器像嬰兒一樣，觀看視頻，告訴它視頻所講的內容。

當地時間3月9日，《MIT科技評論》發布了一篇關于Facebook人工智能實驗室負責人楊樂昆（Yann LeCun）談機器視覺技術的文章。在楊樂昆看來，現在機器視覺還有很多不足，只能理解人類教給它的知識，但這在未來會得到改變：通過訓練，你給機器展示一段視頻中的幾幀畫面，它就可以預測接下來會發生什么。

楊樂昆出生在法國，曾在多倫多大學跟隨深度學習鼻祖Geoffrey Hinton進行博士后的研究，現在是紐約大學終身教授，是人工智能神經網絡研究的先鋒。在加盟Facebook之前，他在貝爾實驗室工作了超過20年，那里是全世界最著名的計算機研究實驗室，誕生過許多偉大的產品。楊樂昆在貝爾實驗室工作期間開發了一套能夠識別手寫數字的系統，并把它命名為LeNet。這個系統能自動識別銀行支票。

以下是楊樂昆對人工智能機器視覺的理解：

目前機器視覺取得了哪些進展？

一張圖里面有一個主體，規則是讓機器給各類主體進行分類。只要你有足夠的數據，類似每個目錄有1000個主體，機器就可以對一些特定的類別產生認知，例如特定品牌的汽車，特定種類的植物或是特定品種的狗。我們還可以認識一些更為抽象的門類，例如天氣圖、地貌、日落、婚禮或生日聚會。僅僅5年前，我們還不太清楚機器是否已經完全解決了這個問題，但現在也不意味著機器視覺問題已經都解決了。

如今機器視覺還未 “解決”的重要問題是什么？

人們在幾年前就有一種想法——為圖片和視頻生成一種標簽或描述。從表面來看，現在已經有顯著的進展了，但事實上這些成果沒有他們看上去那么顯著。機器在特定領域的知識僅限于我們教授給它們的內容。這些系統中的大部分會出現以下情況，你給它們看一些其他類別的圖片，或給它們展示一些之前從未見過的場景，機器就會說出一堆垃圾。它們暫時還沒有常識。

機器視覺和常識之間有什么樣的聯系？

這取決于你和誰討論這個問題，即使是在Facebook內部也有不同的答案。你可以用語言與智能系統進行互動。但問題是語言是一種低帶寬信息傳輸渠道。通過語言表達信息，是因為人類有許多背景知識能對這個信息進行理解。

有人認為，要向AI系統提供足夠信息的唯一方法是將視覺感知作為基礎，這要比語言作為輸入帶來的信息量高。如果你告訴機器“這是一個智能手機”；“這是一個壓路機”；“這些東西是你能推動的，其他的不能搬動”，或許機器能像寶寶學習一樣，掌握世界的一些基本知識。

因為嬰兒無須受到具體的指引就可以從這個世界中學到很多東西。其中一件我們十分想做的事情就是，讓機器通過觀察視頻或通過其他渠道來學習，向其展示真實世界中萬物的聯系。這種方法最終可以讓機器掌握常識。這也是動物和嬰兒在出生后前幾個月學習的方式——你可以僅僅通過觀察這個世界就從中學到相當多的東西。如今還有很多方式可以“愚弄”機器，因為它們對這個世界的認知非常有限。

“讓機器從觀察中學習”取得了什么進展？

有觀點認為，機器學習系統應該可以預測未來，我們對這種想法十分感興趣。你給機器展示一段視頻中的幾幀畫面，它就可以預測接下來會發生什么。如果我們可以訓練系統做到這點，我認為我們已經研發出了一種以無人監管學習系統為基礎的技術。我認為，這就是更多有趣的事情很可能會發生的地方。這種應用在機器視覺并不是必要的，但確是人工智能領域取得的進步。