目前，人工智能（AI）在圖像和語音識別等領域表現(xiàn)出色，但科學家認為這還遠遠不夠。據(jù)美國《麻省理工技術評論》雜志網(wǎng)站近日報道，對于AI的發(fā)展來說，理解視頻中的動態(tài)行為是接下來的關鍵發(fā)展方向，這對于AI用其軟件理解世界至關重要，也有助于AI在醫(yī)療、娛樂和教育等領域的廣泛應用。

理解圖像還要理解動作行為

解釋視頻的AI系統(tǒng)，包括自動駕駛汽車中的系統(tǒng)，常常依賴于識別靜態(tài)框架中的對象，而非對行為進行解釋。谷歌最近發(fā)布了一種能識別視頻中對象的工具，并納為云平臺的一部分，該平臺包含用于處理圖像、音頻和文本的AI工具。 

但對AI來說，能理解貓為何會騎著Room?ba掃地機器人在廚房與鴨子追逐嬉戲，才是彰顯其能力之處。 

因此，科學家面臨的下一個挑戰(zhàn)可能是教會機器不僅理解視頻包含了什么內(nèi)容，還要理解鏡頭中發(fā)生了什么。這可能帶來一些實際的好處，比如帶來強大的搜索、注釋和挖掘視頻片段的新方法，也可以讓機器人或自動駕駛汽車更好地理解周圍的世界如何運轉。

各出奇招用視頻訓練計算機

目前，科學家使用一些視頻數(shù)據(jù)集來訓練機器，以使其更好地理解真實世界中的行為，麻省理工學院（MIT）和IBM目前正攜手進行相關研究。 

2016年9月，IBM與MIT宣布組建“IBM—MIT腦啟發(fā)多媒體機器理解實驗室”，雙方將合作開發(fā)具有高級視聽能力的AI。 

前不久，MIT和IBM發(fā)布了一個龐大的視頻剪輯數(shù)據(jù)集，這個名為“時間數(shù)據(jù)集時刻”的視頻數(shù)據(jù)集囊括了從釣魚到霹靂舞在內(nèi)的許多動作的3秒鐘片段。該項目負責人、MIT首席研究科學家奧德·奧利瓦說，世界上許多事情瞬息萬變。如果你想明白為什么有些事情會發(fā)生，運動會給你提供很多信息。 

之所以把視頻長度定成3秒，是因為大部分時候，人類需要3秒時間，去觀察并理解一個動作意圖，比如，風吹樹動，或者一個物體從桌上掉落下來等。 

無獨有偶，谷歌去年也發(fā)布了一套由800萬個做了標記的YouTube視頻組成的視頻集YouTube-8M；臉譜正在開發(fā)名為“場景”“操作”和“對象”集的注釋數(shù)據(jù)集。 

普林斯頓大學助理教授奧爾加·魯薩克維斯基專門從事計算機視覺工作。他表示，此前科學家認為，很難開發(fā)出有用的視頻數(shù)據(jù)集，因為它們需要比靜止圖像更多的存儲和計算能力。他說：“我很高興能使用這些新的數(shù)據(jù)集，3秒的時長很棒——它提供了時間上下文，同時對存儲和計算的要求也比較低。” 

還有其他機構在研究更具創(chuàng)造性的方法。位于多倫多和柏林的創(chuàng)業(yè)公司“二十億神經(jīng)元”創(chuàng)造了一個定制數(shù)據(jù)集。該公司聯(lián)合創(chuàng)始人羅蘭梅·尼塞維奇稱，他們還使用了專門處理時間視覺信息的神經(jīng)網(wǎng)絡，“用其他數(shù)據(jù)集訓練的AI可以告訴你，視頻中顯示的是足球比賽還是派對；用我們的定制數(shù)據(jù)集訓練的神經(jīng)網(wǎng)絡可以告訴你，是否有人剛剛進入房間。”

轉移學習人工智能的未來

按照IBM的解釋，人類能夠觀看一段簡短的視頻并輕松地描繪出視頻內(nèi)容，甚至能預測后續(xù)事件的發(fā)生，而這樣的能力對機器來說依然是可望而不可及的。因此，IBM和MIT要做的就是，解決機器在認知和預測上的技術難題，在這一基礎上開發(fā)出一套認知系統(tǒng)。 

IBM的丹尼·古特弗羅因德說，有效識別行為要求機器學習某個行動，并將獲得的知識應用于正在進行同樣行動的情境中，這一領域的進步，即轉移學習，對于AI的未來非常重要；而且，這項技術在實際中大有用途，“你可以用它來幫助改善對老年人和殘疾人的護理，比如告訴護理人員是否有老人跌倒，或者他們是否已經(jīng)吃過藥等等。” 

MIT和IBM也表示，一旦機器能夠看懂視頻，具備視覺能力的高級計算機認知系統(tǒng)將能用于各種行業(yè)，不僅僅是醫(yī)療，還有教育、娛樂等領域，包括對復雜的機器進行保養(yǎng)和維修等。