放眼全球，如果用一句話來形容當下消費互聯(lián)網(wǎng)的大勢，「視頻吃掉世界」恐怕是再合適不過的話了。

7 月，在 Facebook 歷史性地突破 20 億月活用戶后，扎克伯格告訴分析師們，隨著用戶在 FB 上視頻內(nèi)容消費的大幅增長，F(xiàn)B 會進一步研發(fā)底層的視頻技術，保證用戶在視頻消費、視頻生產(chǎn)(上傳)上的優(yōu)秀體驗。

中國地區(qū)用戶對于視頻內(nèi)容的需求也十分旺盛。在 QuestMobile 發(fā)布的《移動互聯(lián)網(wǎng)2017春季報告》中，包括在線視頻、網(wǎng)絡直播、短視頻等行業(yè)，移動視頻的用戶月度總規(guī)模首次突破10億，同比增長36.5%。

更進一步的佐證來自 CNNIC 的第40次《中國互聯(lián)網(wǎng)絡發(fā)展狀況統(tǒng)計報告》，截至 2017 年6月，中國網(wǎng)絡視頻用戶規(guī)模達5.65億，較2016年底增加2026萬人，增長率為3.7%;網(wǎng)絡視頻用戶使用率為75.2%。

在這樣的背景下，不管是 BAT 這樣的傳統(tǒng)流量大戶還是今日頭條此等的流量新貴，都在不遺余力地押注視頻。百度強化視頻在 Feed 流中的地位、騰訊領投快手、阿里旗下土豆全面轉型、今日頭條旗下抖音準備出海......這些舉措會讓人產(chǎn)生一種視頻時代即將全面到來的產(chǎn)業(yè)錯覺。

誠然，如上文所言，「視頻正在吃掉世界」，但就像過往任何產(chǎn)業(yè)爆發(fā)點類似，在商業(yè)應用落地的同時，底層技術進步的重要性不言而喻。以視頻行業(yè)的現(xiàn)狀來看，一方面是產(chǎn)業(yè)生態(tài)的瘋狂，另一方面則是在一些底層技術上的瓶頸，比如可用于視頻動作分析的技術并沒有得到有效的利用，這也讓圍繞視頻內(nèi)容的分類檢索、標簽推薦變得非常困難，不僅影響到了視頻的展示效果，同時也制約了用戶的視頻消費體驗，而這個行業(yè)痛點，不是融資或推廣就能解決，它必須依靠技術上的突破。

類似的困難和挑戰(zhàn)還有不少，這也使得最近一系列圍繞視頻技術學術會議或競賽成為行業(yè)關注的焦點。比如在今年的 ActivityNet Challenge 上，幾篇圍繞視頻技術新突破的獲獎論文就為視頻行業(yè)未來發(fā)展路徑提供了靈感。

論文透露出的行業(yè)機會

ActivityNet Challenge是目前視頻動作分析領域影響力最大的競賽，包括 MSRA、CUHK、CMU、UTS 等眾多高校和科研機構都會積極參與到比賽里。在今年的比賽里，有兩個新增的項目：「Kinetics」和「ActivityNet Captioning」兩個數(shù)據(jù)集。其中「Kinetics」是一項視頻行為分類比賽，有400個視頻動作類別，大約20萬訓練語料，可謂 ActivityNet 最具看點的一項任務。

根據(jù) ActivityNet 最新公布的結果，今年「Kinetics 視頻行為分類比賽」冠軍被來自百度的 Genome 團隊獲得，香港中文大學和來自德國的創(chuàng)業(yè)公司 TwentyBN 分列二三位。

按照慣例，ActivityNet 各項任務的冠軍都有機會在 CVPR 上展示自己的論文，因此，我們也有機會進一步了解這支來自百度的技術團隊如何思考新一代技術，尤其是基于深度學習的人工智能之于視頻行業(yè)的意義。

論文網(wǎng)址在https://arxiv.org/abs/1708.03805，有時間的話建議下載下來細細研讀，沒有時間精力的話，可以直接看下面我們的解讀：

首先，視頻分類技術的根本，是要讓視頻成為像文本、圖片一樣的結構化數(shù)據(jù)。過去很長一段時間里，互聯(lián)網(wǎng)上都是文本、圖像數(shù)據(jù)，但最近幾年隨著移動網(wǎng)絡的普及以及智能手機性能的提升，視頻內(nèi)容已然「霸占」了移動互聯(lián)網(wǎng)，然而對于很多開發(fā)者或視頻服務商來說，視頻內(nèi)容是一種典型的非結構化數(shù)據(jù)，它無法像文本、圖像那樣被自動檢索和有效利用，需要大量人力成本進行手動查看、加標簽以及審核，效率低下。

在百度 Genome 團隊的這篇論文里，提出了一整套視頻分類的解決思路，通過對視頻內(nèi)容的智能分析和提取，它能夠自動提取視頻中的語音、文字、任務、物體等元素，從而自動輸出這些視頻的泛標簽。這些提取的「泛標簽」，事實上也讓視頻內(nèi)容變成了半結構化的數(shù)據(jù)——它可以被簡單分類和檢索，對開發(fā)者或視頻服務商來說，已經(jīng)節(jié)約了前期人工處理的時間，從而大大提升了效率。

其次，視頻分類技術的應用場景非常廣泛，不僅會解決視頻服務商的痛點，還能在提升用戶體驗上發(fā)揮作用。

舉個簡單的例子，基于深度學習的視頻分類技術，可以讓視頻對比檢索變得非常簡單。很多用戶常常會有一種需求，即能否通過一張靜態(tài)圖像來搜索某個視頻，這與過往以文本搜索視頻的技術完全不同，它需要在靜態(tài)圖像上提取有效信息，并將這些信息與已經(jīng)半結構化的視頻庫進行對比，從而準確并快速找到最符合條件的視頻。

另一方面，在視頻分類技術的幫助下，視頻服務商還能提供更多可定制化的應用場景。比如在運營層面，借助視頻對比檢索，可以快速查詢與其包含相同片段的短視頻，可以視頻去重和版權保護;產(chǎn)品層面，當視頻內(nèi)容變得像文本、圖片一樣可方便檢索的時候，可否打造一個適配視頻內(nèi)容的搜索引擎?又或者，由于視頻服務商具備了理解不同視頻的能力，在構建新一代視頻推薦產(chǎn)品中，是否也具備了先發(fā)優(yōu)勢呢?

誰的機會?

一個有趣的細節(jié)是，這支 Genome 團隊，在今年 2 月的 YouTube-8M 大規(guī)模視頻理解競賽中也進入三甲。Youtube-8M數(shù)據(jù)集由谷歌今年2月在Kaggle平臺發(fā)起，擁有約800萬的已標注視頻，是目前全球規(guī)模最大的視頻數(shù)據(jù)集之一。考慮到 Genome 團隊出自百度深度學習實驗室，此次該團隊更進一步獲得第一，也讓外界對于這些技術是否會融入百度產(chǎn)品體系，尤其是 Feed 流產(chǎn)品，充滿了好奇。

最新一季百度財報里，來自 Feed 流的日活用戶數(shù)量突破 1 億，收入也從一季度每天 1000 萬提升到了 3000 萬，這些數(shù)字的變化彰顯出百度在流量入口的強大控制力，同時也得力于基于海量數(shù)據(jù)、深度學習算法結合后所帶來的神奇效果，在保證用戶體驗的前提下，讓 Feed 流成為資訊、廣告的重要載體。

這種基于內(nèi)容分發(fā)的 Feed 流模式也被 Google 所效仿，在其最新的 Google 手機搜索客戶端里，也加入了類似的產(chǎn)品形式。

縱觀百度的 Feed 流產(chǎn)品設計，產(chǎn)品入口層面，不管是手機百度、貼吧還是手機瀏覽器，視頻、短視頻都有單獨的入口;技術層面，視頻分類技術所展現(xiàn)的巨大潛力，借助百度在用戶畫像的積累，不僅能夠?qū)崿F(xiàn)新用戶的冷啟動，還能不斷提升老用戶的視頻內(nèi)容消費體驗。更重要的一點則是，視頻分類技術所帶來的產(chǎn)品運營方式方法的變化，或?qū)⒔o視頻內(nèi)容的上游產(chǎn)生諸多影響，比如，能否根據(jù)特定用戶畫像實現(xiàn)真正意義上的特定視頻推薦?也真正實現(xiàn)所謂「千人千面」的定制化 Feed 流產(chǎn)品。

事實上，將這些產(chǎn)品設計和底層技術的討論放在全民視頻消費井噴的行業(yè)背景下，更具現(xiàn)實意義。在這一波依然以移動設備為主體的內(nèi)容消費浪潮里，F(xiàn)eed 流或類 Feed 流已成行業(yè)共識，而得視頻者也才有可能得天下。這或許也是百度、Google 這些巨頭的機會，他們各自在用戶畫像和知識圖譜上擁有豐富積累，并且擁有中美互聯(lián)網(wǎng)流量入口的權力，未來兩家公司在 Feed 流，尤其是以視頻內(nèi)容為主導的 Feed 流產(chǎn)品和技術演進格局，也將進一步左右行業(yè)發(fā)展的方向。

寫在最后

不過，與文本、圖像相對成熟的技術、產(chǎn)業(yè)生態(tài)相比，視頻內(nèi)容還無法真正實現(xiàn)數(shù)據(jù)的結構化存儲，這也使得某些應用場景還處在相對初級的階段。另一方面，當 Facebook 的 News Feed 不斷鼓勵用戶生產(chǎn)、消費視頻內(nèi)容，當短視頻、直播類的產(chǎn)品一個個突破活躍用戶極限，整個互聯(lián)網(wǎng)已然處在視頻爆發(fā)的前夜，這既是全行業(yè)的機會，更是屬于掌握「核心技術」者的機會。

某種意義上，視頻行業(yè)的競爭早已不局限在簡單的內(nèi)容、生態(tài)競爭，而是底層技術，尤其是人工智能領域的競爭，即包括數(shù)據(jù)，也包括算法，更是人才和戰(zhàn)略的競爭。從這個角度去看，早已將人工智能放入公司發(fā)展戰(zhàn)略的 Google、FB、百度已經(jīng)擁有不小的優(yōu)勢。

當百度上月通過一場開發(fā)者大會展現(xiàn)出了轉型人工智能決心后，整個公司的產(chǎn)品線都在圍繞人工智能進行重構。在 Feed 流的未來場景里，基于深度學習的視頻技術，比如視頻分類技術所帶來的化學反應——不管是利用視頻分類催生的新業(yè)務模式還是視頻技術進步帶來的用戶體驗上升，這一切或?qū)⒆尠俣仍?Feed 流產(chǎn)品的未來格局中占據(jù)重要位置。