雷鋒網 AI科技評論按：在網上看視頻時，緩沖或色塊問題時有發(fā)生，極其影響觀看體驗。現(xiàn)在，MIT計算機科學與人工智能實驗室（CSAIL）利用神經網絡算法，最大化地緩解了這種現(xiàn)象。將這種算法應用到YouTube或Netflix等網站之后，觀眾將會獲得更好的體驗。此外，這項技術還能應用于VR，緩解現(xiàn)有的網絡帶寬不夠的問題。

Engadget上的一篇文章詳述了CSAIL新的方法，雷鋒網 AI科技評論將其編譯如下。

緩沖和色塊是流媒體視頻播放中常常出現(xiàn)的問題。一旦出現(xiàn)這種情況，會影響觀看體驗，觀眾換臺之后，又會影響廣告商的收入。并且，這種情況還給流媒體服務帶來了技術上的難點——很難設計出解決方案。

MIT 計算機科學與人工智能實驗室（CSAIL）新發(fā)明的神經網絡AI算法或許恰好能滿足互聯(lián)網所需的流暢流媒體服務。

上面播放的視頻并不是以整段傳輸?shù)诫娔X上的，那會占用太大的帶寬。事實上，數(shù)據(jù)被分成小片段，然后按順序傳送。但是為了保證視頻質量，像YouTube這樣的網站是利用ABR(碼率自適應)算法來確定視頻播放的分辨率。ABR算法通常有兩種模式:一種是測量網絡傳輸數(shù)據(jù)的速率，另一種是保證視頻開頭有足夠的緩沖區(qū)。

如果基于速率的算法失敗了，系統(tǒng)會降低比特率以確保視頻繼續(xù)播放，這會導致色塊問題。

另外，如果試圖將視頻快進太多，將會更加影響播放體驗，這是因為基于緩沖的系統(tǒng)提前加載新的視頻塊和緩沖區(qū)時，不得不暫停播放。

這兩種ABR模式本質上是解決同一問題的兩面，他們都沒有完全解決問題的能力。接下來就是人工智能的用武之地了。

實際上已經有了一些關于這個問題的研究?？突仿〈髮W的一個研究小組最近開發(fā)了一種叫做“模型預測控制”(MPC)的方案，試圖預測網絡環(huán)境如何隨時間變化，并基于這個模型做出優(yōu)化決策。然而，這個系統(tǒng)的問題在于，它只會基于模型自身做出優(yōu)化決策，不適合那些突然或急劇發(fā)生流量變化的網絡。

CSAIL的新方法被稱為“Pensive”，它并不依賴模型，而是用機器學習來計算何時（以及何種情況下）在速率ABR和基于緩沖的ABR之間進行切換。和其他神經網絡一樣，Pensive使用獎勵和懲罰來強化每次試驗的結果。隨著時間的推移，系統(tǒng)能夠調整自己的行為，始終獲得最高的獎勵。有趣的是，由于可以調節(jié)獎勵，我們可以調整系統(tǒng)，讓它執(zhí)行我們想要得到的行為。

麻省理工學院教授Mohammad Alizadeh在一份聲明中說:“我們的系統(tǒng)很靈活，無論想要什么樣的效果，都可以優(yōu)化它來實現(xiàn)。甚至可以想象用戶個性化自己的流媒體體驗，這取決于他們是想要讓緩沖優(yōu)先還是讓分辨率優(yōu)先。”該團隊對這個神經網絡只進行了總長一個月的下載視頻內容的訓練，就已經能獲得與MPC系統(tǒng)相同的分辨率，但減少了10%到30%的緩沖問題。

我們最終會看到這一技術被YouTube和Netflix等公司采用，但麻省理工學院的團隊希望先將它應用于VR。Alizadeh說:“VR需要4k的分辨率，在使用時，碼率很容易就達到每秒上千兆，而現(xiàn)在的網絡根本無法支持。我們很高興看到像Pensieve這樣的系統(tǒng)能夠為VR等這樣的應用做些什么。這只是我們所做出的第一步?！?/p>

via：Engadget

雷鋒網 AI科技評論編譯

雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。