AI“讀圖會意”首超人類！阿里達(dá)摩院刷新全球機(jī)器視覺問題紀(jì)錄

本文作者：我在思考中

2021-08-12 15:03

導(dǎo)語：國際權(quán)威機(jī)器視覺問答榜單 VQA Leaderboard出現(xiàn)關(guān)鍵突破：阿里巴巴達(dá)摩院以81.26%的準(zhǔn)確率創(chuàng)造了新紀(jì)錄，讓AI在“讀圖會意”上首次超越人類基準(zhǔn)。

AI 科技評論報道

編輯 | 陳大鑫

給大家出一道視覺問答題：在下面這張圖片中，根據(jù)有禮服裝飾的小熊玩具照片推理出這些玩具用來做什么的？

AI“讀圖會意”首超人類！阿里達(dá)摩院刷新全球機(jī)器視覺問題紀(jì)錄

一個可能的答案或許是“婚禮”～

這道題對人類而言太簡單不過了，那么對 AI 來說呢？

AI 在這視覺問答方面能和人類相比嗎？

答案來了——歷時6年，在機(jī)器視覺問答領(lǐng)域，第一位得分超越人類的AI選手誕生了！

8月12日，AI 科技評論注意到，國際權(quán)威機(jī)器視覺問答榜單 VQA Leaderboard出現(xiàn)關(guān)鍵突破：阿里巴巴達(dá)摩院以81.26%的準(zhǔn)確率創(chuàng)造了新紀(jì)錄，讓AI在“讀圖會意”上首次超越人類基準(zhǔn)。繼2015年、2018年AI分別在視覺識別及文本理解領(lǐng)域超越人類分?jǐn)?shù)后，人工智能在多模態(tài)技術(shù)領(lǐng)域也迎來一大進(jìn)展。

AI“讀圖會意”首超人類！阿里達(dá)摩院刷新全球機(jī)器視覺問題紀(jì)錄

圖注：達(dá)摩院AliceMind在VQA Leaderboard上創(chuàng)造首次超越人類的紀(jì)錄

比較難得的是，3年前，讓中國AI在文本理解領(lǐng)域歷史性超越人類的，同樣是達(dá)摩院AI研究團(tuán)隊。

VQA是什么？

近10年來，AI技術(shù)保持高速發(fā)展，AI模型已在多個任務(wù)和技能上達(dá)到超越人類的水平，比如在游戲領(lǐng)域，強(qiáng)化學(xué)習(xí)智能體 AlphaGo 2016 年擊敗了世界頂尖棋手李世石；在視覺理解領(lǐng)域，以 CNN 為代表的卷積類模型 2015 年在 ImageNet視覺分類任務(wù)上超越了人類成績；在文本理解領(lǐng)域，2018年微軟與阿里幾乎同時在斯坦福SQuAD挑戰(zhàn)賽上讓 AI 閱讀理解超越了人類基準(zhǔn)。

然而，在視覺問答VQA(Visual Question Answering）這一涉及視覺-文本多模態(tài)理解的高階認(rèn)知任務(wù)上，AI 過去始終未取得超越人類水平的突破。

“詩是無形畫，畫是有形詩?！?/span>宋代詩人張舜民曾如此描繪語言與視覺的相通之處。隨著深度學(xué)習(xí)、視覺理解、文本理解等領(lǐng)域高速發(fā)展，自然語言技術(shù)與計算機(jī)視覺交融逐漸成為多模態(tài)領(lǐng)域重要的前沿研究方向。其中，VQA是多模態(tài)領(lǐng)域挑戰(zhàn)極高的核心任務(wù)，解決VQA挑戰(zhàn)，對研發(fā)通用人工智能具有重要意義。

為鼓勵攻克這一難題，全球計算機(jī)視覺頂會CVPR從2015年起連續(xù)6年舉辦VQA挑戰(zhàn)賽，吸引了包括微軟、Facebook、斯坦福大學(xué)、阿里巴巴、百度等眾多頂尖機(jī)構(gòu)參與，形成了國際上規(guī)模最大、認(rèn)可度最高的VQA數(shù)據(jù)集，其包含超20萬張真實照片、110萬道考題。

VQA 是AI領(lǐng)域難度最高的挑戰(zhàn)之一。在測試中，AI需根據(jù)給定圖片及自然語言問題生成正確的自然語言回答。這意味著單個AI模型需融合復(fù)雜的計算機(jī)視覺及自然語言技術(shù)：首先對所有圖像信息進(jìn)行掃描，再結(jié)合對文本問題的理解，利用多模態(tài)技術(shù)學(xué)習(xí)圖文的關(guān)聯(lián)性、精準(zhǔn)定位相關(guān)圖像信息，最后根據(jù)常識及推理回答問題。

AI“讀圖會意”首超人類！阿里達(dá)摩院刷新全球機(jī)器視覺問題紀(jì)錄

今年6月，阿里達(dá)摩院在 VQA 2021 Challenge 的55支提交隊伍中奪冠，成績領(lǐng)先第二名約1個百分點、去年冠軍3.4個百分點。兩個月后，達(dá)摩院再次以81.26%的準(zhǔn)確率創(chuàng)造VQA Leaderboard全球紀(jì)錄，首次超越人類基準(zhǔn)線80.83%。

這一結(jié)果意味著，AI 在封閉數(shù)據(jù)集內(nèi)的 VQA 表現(xiàn)已媲美人類。

面對更開放的現(xiàn)實世界，AI一定會遇到新的挑戰(zhàn),需要喂更多的數(shù)據(jù)、進(jìn)一步提升模型。但和 CV 等領(lǐng)域的發(fā)展一樣，這一結(jié)果依然具有標(biāo)志性意義，相信VQA技術(shù)在現(xiàn)實中的表現(xiàn)提升只是時間問題。

AI“讀圖會意”首超人類！阿里達(dá)摩院刷新全球機(jī)器視覺問題紀(jì)錄

圖注：VQA技術(shù)自2015年的進(jìn)展

VQA分?jǐn)?shù)超人類如何誕生？

VQA挑戰(zhàn)的核心難點在于，需在單模態(tài)精準(zhǔn)理解的基礎(chǔ)上，整合多模態(tài)的信息進(jìn)行聯(lián)合推理認(rèn)知，最終實現(xiàn)跨模態(tài)理解，即在統(tǒng)一模型里做不同模態(tài)的語義映射和對齊。

據(jù)了解，為了解決VQA挑戰(zhàn)，達(dá)摩院語言技術(shù)實驗室及視覺實驗室對AI視覺-文本推理體系進(jìn)行了系統(tǒng)性的設(shè)計，融合了大量算法創(chuàng)新，包括：

多樣性的視覺特征表示，從各方面刻畫圖片的局部和全局語義信息，同時使用Region，Grid，Patch等視覺特征表示，以更精準(zhǔn)地進(jìn)行單模態(tài)理解；
基于海量圖文數(shù)據(jù)和多粒度視覺特征的多模態(tài)預(yù)訓(xùn)練，用于更好地進(jìn)行多模態(tài)信息融合和語義映射，創(chuàng)新性地提出了SemVLP，Grid-VLP，E2E-VLP和Fusion-VLP等預(yù)訓(xùn)練模型；
研發(fā)自適應(yīng)的跨模態(tài)語義融合和對齊技術(shù)，創(chuàng)新性地在多模態(tài)預(yù)訓(xùn)練模型中加入Learning to Attend機(jī)制來進(jìn)行跨模態(tài)信息地高效深度融合；

4.采用Mixture of Experts (MOE)技術(shù)進(jìn)行知識驅(qū)動的多技能AI集成。

其中自研的多模態(tài)預(yù)訓(xùn)練模型E2E-VLP，StructuralLM已被國際頂級會議ACL2021接受。

模型大圖如下：

AI“讀圖會意”首超人類！阿里達(dá)摩院刷新全球機(jī)器視覺問題紀(jì)錄

這不是達(dá)摩院第一次在 AI 關(guān)鍵領(lǐng)域超越人類。

早在2018年，作為業(yè)界最早投入預(yù)訓(xùn)練語言模型研究的機(jī)構(gòu)之一，達(dá)摩院前身IDST曾在斯坦福SQuAD挑戰(zhàn)賽中歷史性地讓機(jī)器閱讀理解首次超越人類，轟動全球。

VQA 考高分有什么用？

達(dá)摩院語言技術(shù)實驗室負(fù)責(zé)人司羅曾表示，“人工智能分為計算智能、感知智能、認(rèn)知智能、創(chuàng)造智能四個層次。”

本次，AI 在視覺-文本跨模態(tài)理解及推理上媲美人類的水平，意味著 AI 向認(rèn)知智能邁進(jìn)了關(guān)鍵一步。

據(jù)了解，VQA 技術(shù)擁有廣闊的應(yīng)用場景，可用于圖文閱讀、跨模態(tài)搜索、盲人視覺問答、醫(yī)療問診、智能駕駛、虛擬主播等領(lǐng)域，或?qū)⒆兏锶藱C(jī)交互方式。目前，VQA 技術(shù)已在阿里內(nèi)部應(yīng)用于商品圖文理解、智能客服等場景。

在阿里平臺上，達(dá)摩院VQA能力已實現(xiàn)較大范圍工業(yè)應(yīng)用落地，典型VQA應(yīng)用包括：1、商品圖文信息理解；2、直播視頻交互；3、多模態(tài)搜索。

VQA考卷有多難？

對單一AI模型來說，VQA 考卷難度堪稱“變態(tài)”。

要拿到漂亮的分?jǐn)?shù)，AI不僅要修煉好圖像識別、文本識別、文本理解等基本功，還要解鎖計數(shù)、讀鐘表、推理認(rèn)知等附加技能，此外還必須擁有百科全書的豐富常識。

比如，在下面這道VQA考題中，根據(jù)男人帽子上的字母“B”+問題“男人的橄欖球帽代表哪只球隊？”

AI 要推理出答案“波士頓球隊”。

AI“讀圖會意”首超人類！阿里達(dá)摩院刷新全球機(jī)器視覺問題紀(jì)錄