你有想過嗎？給你展示任何一張照片的時候，你看到的也許不僅僅是靜止的圖像，而是一段靈動的“小視頻”。如今，在機(jī)器學(xué)習(xí)的幫助下，可以根據(jù)靜止的照片，預(yù)測到接下來的一連串動作，準(zhǔn)確率還相當(dāng)?shù)母摺?/p>

無論是美女騎車、狗接飛盤，還是有人突然的跌倒等等，想象出這些連續(xù)的動作是我們最基本的技能之一，我們無需考慮用于預(yù)測的大量信息，比如重力、慣性和跌倒的本能反應(yīng)等。那么，要讓電腦學(xué)會這種預(yù)判的能力無疑是機(jī)器視覺中的一個關(guān)鍵挑戰(zhàn)。

來自麻省理工學(xué)院的研究人員正在努力解決這個難題，他們已經(jīng)展示出了一系列非常令人印象深刻的結(jié)果。通過使用專門訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)，將圖像轉(zhuǎn)化為視頻，并由計(jì)算機(jī)預(yù)測接下來會發(fā)生什么。但是，他們的模型仍然有很多局限性，視頻通常只有幾秒鐘長，文件很小，而且圖像經(jīng)常很混亂。但這仍然是機(jī)器想象力方面一次令人印象深刻的創(chuàng)舉，計(jì)算機(jī)在像人一樣理解世界的道路上又前進(jìn)了一步。

訓(xùn)練這個神經(jīng)網(wǎng)絡(luò)使用了超過 200 萬個從 Flickr 下載的視頻片段。所有場景被分為四種類型：高爾夫球場、海灘、火車站和醫(yī)院。這組連續(xù)鏡頭的畫面很穩(wěn)定，消除了相機(jī)抖動。通過這些數(shù)據(jù)，團(tuán)隊(duì)的神經(jīng)網(wǎng)絡(luò)不僅能夠產(chǎn)生類似這些場景的短視頻，也能根據(jù)一個靜止圖像產(chǎn)生連續(xù)的畫面。這實(shí)質(zhì)上是預(yù)判了接下來會發(fā)生的動作，但目前的效果還很有限，只能推測像素的變化，而不是基于整個場景的理解。

下面是效果圖：

這里，我們可以看到實(shí)現(xiàn)后的效果，例如在海灘上，你可以看到波浪的起伏；在火車站，預(yù)測模型會預(yù)判火車行駛。然而，當(dāng)要求預(yù)測某人如何穿過高爾夫球場時，結(jié)果看起來有些失真，圖像也很模糊。

研究人員提到計(jì)算機(jī)的預(yù)測往往并不符合正常邏輯，但至少其對運(yùn)動軌跡的判斷是合理的。

機(jī)器學(xué)習(xí)系統(tǒng)在相關(guān)領(lǐng)域已經(jīng)取得了許多進(jìn)展，包括預(yù)測握手和擁抱等行為，甚至能夠生成匹配視頻的音頻。Facebook 的 AI 部門負(fù)責(zé)人 Yann LeCun 在去年的一次采訪中提到了這個話題，表示預(yù)判運(yùn)動軌跡是開發(fā)預(yù)測計(jì)算機(jī)的重要一環(huán)。但是，要做到真正理解視頻或圖像，及其接下來可能發(fā)生的動作，還需要花費(fèi)研究人員更多的精力。

“假如你正在看希區(qū)柯克的電影，這時我問，‘從現(xiàn)在開始的15分鐘后，電影情節(jié)會發(fā)展成什么樣子呢？’你此時就必須設(shè)法預(yù)判出兇手是誰?！?/p>

LeCun說：“要完全解決這個問題，就需要了解這個世界和人性，這才是真正的樂趣所在。”

人工智能在預(yù)測方面的能力已經(jīng)越來越強(qiáng)，但要想做到更加準(zhǔn)確、自然、符合實(shí)際的效果，還需要更加完善的模型。研究人員也許需要考慮更多的因素，建立更加復(fù)雜的神經(jīng)網(wǎng)絡(luò)，利用更多的數(shù)據(jù)集訓(xùn)練模型。只有這樣，才有可能通過機(jī)器學(xué)習(xí)技術(shù)，真正實(shí)現(xiàn)對圖像中的連續(xù)動作進(jìn)行提前預(yù)判。

via the verge

推薦閱讀：

困境中的英特爾，拿什么在AI領(lǐng)域找回昔日尊嚴(yán)

在微軟亞洲研究院工作是種什么體驗(yàn)？ | 硬創(chuàng)公開課

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。