山世光談深度學(xué)習(xí)生產(chǎn)線、以及中科視拓深度學(xué)習(xí)算法平臺(tái)SeeTaaS

編者按：人工智能已成為國(guó)家級(jí)的戰(zhàn)略目標(biāo)， 這激發(fā)了各行各業(yè)的AI熱潮。而目前AI人才的稀缺以及開(kāi)發(fā)任務(wù)的繁重，限制了深度學(xué)習(xí)落地，因此AI產(chǎn)業(yè)迫切需要賦能平臺(tái)。中科視拓董事長(zhǎng)山世光研究員，在2017鈦媒體T-EDGE年度國(guó)際盛典上，談深度學(xué)習(xí)生產(chǎn)線、以及中科視拓通用深度學(xué)習(xí)算法平臺(tái)SeeTaaS。

圖像識(shí)別或者人臉識(shí)別是今年以來(lái)AI實(shí)現(xiàn)最大爆發(fā)的領(lǐng)域。對(duì)于這些技術(shù)的實(shí)現(xiàn)，中科院計(jì)算所研究員、中科視拓創(chuàng)始人、董事長(zhǎng)兼CTO山世光，將其歸結(jié)為一個(gè)簡(jiǎn)單的公式，那就是“A+B+C”。A是算法，B是Bigdata，C是Computing。

12月16日，在2017鈦媒體T-EDGE年度國(guó)際盛典上，山世光提到，2012年之后，因?yàn)榛ヂ?lián)網(wǎng)和物聯(lián)網(wǎng)的發(fā)展，我們有更多機(jī)會(huì)收集大量數(shù)據(jù)，再加上GPU等高性能計(jì)算設(shè)備的普及，我們有機(jī)會(huì)完成大規(guī)模的機(jī)器訓(xùn)練。特別的，上面ABC三點(diǎn)中的A，即算法，最主要的就是指深度學(xué)習(xí)（Deep Learning）。

深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域，解決了或者推動(dòng)了一大類非線性的映射函數(shù)學(xué)習(xí)的問(wèn)題。這樣的方式，使AI開(kāi)發(fā)的方法論產(chǎn)生了極大變化。

但與此同時(shí)，從落地角度來(lái)看，依賴于有標(biāo)注大數(shù)據(jù)的深度學(xué)習(xí)也還存在非常多問(wèn)題。

首先，個(gè)性化需求非常多，可批量復(fù)制的“標(biāo)品”比較少。以巡邏機(jī)器人為例，可能需要開(kāi)發(fā)塑料瓶子檢測(cè)系統(tǒng)，也可能是塑料袋識(shí)別，甚至是爛白菜的識(shí)別，這么多不同的物體的識(shí)別是非常重的開(kāi)發(fā)任務(wù)。

其次，從計(jì)算角度講，深度學(xué)習(xí)的計(jì)算成本比較高，端側(cè)的計(jì)算能力需求較大。而且AI技術(shù)的生產(chǎn)效率現(xiàn)在還比較低。如何加快生產(chǎn)效率，需要大量懂深度學(xué)習(xí)的專業(yè)算法人才，而現(xiàn)在并沒(méi)有這么多的人才儲(chǔ)備。

現(xiàn)階段，AI人才奇缺。行業(yè)的碩士畢業(yè)生大概30-50萬(wàn)年薪，博士是50-80萬(wàn)年薪。對(duì)比人才數(shù)量的稀缺，開(kāi)發(fā)任務(wù)卻十分繁重，如果每個(gè)任務(wù)都做要3-5個(gè)月才能完成，這是"災(zāi)難性"的事情。

以下是中科視拓創(chuàng)始人董事長(zhǎng)兼CTO山世光演講發(fā)言：

非常榮幸有機(jī)會(huì)來(lái)到鈦媒體今年的年度盛典給大家做一次分享。

如果說(shuō)創(chuàng)業(yè)，我是一個(gè)新兵。我在中科院系統(tǒng)工作了20年，從事基礎(chǔ)研究和應(yīng)用技術(shù)研發(fā)工作。我今天的分享有很多內(nèi)容跟技術(shù)相關(guān)。我演講的題目叫《計(jì)算機(jī)視覺(jué)技術(shù)現(xiàn)狀展望和產(chǎn)業(yè)化》。

首先，我們說(shuō)計(jì)算機(jī)視覺(jué)是什么樣的學(xué)科，要做什么的事情？

很多人不了解這件事為什么那么難？如果看一下我們需要處理的對(duì)象，就會(huì)發(fā)現(xiàn)它確實(shí)是非常難的任務(wù)。

我們所謂的圖像是用攝像頭來(lái)捕捉物體表面反射的不同顏色的光，進(jìn)行采樣，每個(gè)點(diǎn)即像素都用紅綠藍(lán)三個(gè)不同的分量數(shù)值表示不同的顏色。所以，到了計(jì)算機(jī)里面，每幅圖像就是很多很多0-255之間的整數(shù)值。大家看這些數(shù)。相信沒(méi)有一個(gè)人在非常短的時(shí)間內(nèi)，能夠通過(guò)觀察這些數(shù)告訴我圖像里的內(nèi)容是什么。計(jì)算機(jī)視覺(jué)要完成的就是這樣的任務(wù)，通過(guò)對(duì)這些數(shù)的分析完成對(duì)圖像內(nèi)容的理解。

這次人工智能的浪潮，首先在語(yǔ)音識(shí)別和圖像識(shí)別領(lǐng)域取得了顯著的進(jìn)步，并進(jìn)一步引發(fā)了AI在更多領(lǐng)域的應(yīng)用。

從圖像識(shí)別或計(jì)算機(jī)視覺(jué)角度講，在2012年，深度學(xué)習(xí)首次在Imagnet評(píng)測(cè)數(shù)據(jù)集上應(yīng)用，一下子將分類錯(cuò)誤率降低了10個(gè)百分點(diǎn)。從圖像分類的角度來(lái)講，在2011年，圖像分類錯(cuò)誤率是26%，到了2012年，利用深度學(xué)習(xí)之后，下降到16%。到了2016年，隨著深度學(xué)習(xí)模型深度不斷加深，錯(cuò)誤率進(jìn)一步下降到了2.3%。也就是說(shuō)，大概在5年時(shí)間里，圖像識(shí)別率的錯(cuò)誤率降低了10倍。

下面是其他五個(gè)深度學(xué)習(xí)帶來(lái)重要進(jìn)步的典型例子。

在物體檢測(cè)領(lǐng)域。所謂物體檢測(cè)就是提供給一張照片，把照片里不同的物體，如車、人等物體框出來(lái)。2013年，在Imagnet測(cè)試集上檢測(cè)正確率只有23%，到了2017年，正確率達(dá)到了73%，在視頻里尋找30類物體也達(dá)到80%的精度。

在視頻監(jiān)控領(lǐng)域，我們希望能夠?qū)θ?、車、物進(jìn)行檢測(cè)識(shí)別，利用深度學(xué)習(xí)，現(xiàn)在很多系統(tǒng)包括中科視拓的技術(shù)都可以實(shí)現(xiàn)對(duì)人、車、騎行的準(zhǔn)確檢測(cè)、跟蹤以及對(duì)性別、車型等屬性的大致分類。

在圖像分割領(lǐng)域，例如為了實(shí)現(xiàn)自動(dòng)駕駛，給一幅圖像之后，我們希望算法能夠知道哪塊是道路、哪塊是樹(shù)木、哪塊是建筑，這是一個(gè)分割問(wèn)題。從2013年到2017年，分割的準(zhǔn)確率也從50%提高到了86.9%。

還有一個(gè)任務(wù)從2015年左右才開(kāi)始逐漸得到重視，即所謂的“看圖作文”，就是在提供一幅圖像之后，希望計(jì)算機(jī)能夠生成一句或一段文本描述圖像里的內(nèi)容。在過(guò)去兩三年里，這一技術(shù)得到了非常大的進(jìn)步，有些系統(tǒng)產(chǎn)生的文本描述已經(jīng)可以和人對(duì)這個(gè)圖像的描述媲美，甚至有些普通人已經(jīng)不能夠判斷到底是機(jī)器自動(dòng)生成的一段話，還是真人寫(xiě)出來(lái)的一段話。實(shí)現(xiàn)這一任務(wù)采用的方法也是以深度學(xué)習(xí)為基礎(chǔ)的。

還有一些類似藝術(shù)創(chuàng)作的技術(shù)進(jìn)展，比如我們可以通過(guò)計(jì)算給一幅圖像轉(zhuǎn)化風(fēng)格，把一個(gè)人的頭發(fā)顏色改掉，加上一個(gè)劉海，或者加上眼鏡，所產(chǎn)生的圖像可以以假亂真；我們也可以把一副普通的圖像變成莫奈風(fēng)格的油畫(huà)，把馬變成斑馬，把冬天的照片變成夏天的照片。

上個(gè)月，iPhoneX的發(fā)布使我們進(jìn)一步對(duì)人臉識(shí)別應(yīng)用有了更加深刻的認(rèn)識(shí)。其實(shí)在人臉識(shí)別領(lǐng)域，過(guò)去兩到三年，也出現(xiàn)了2-4個(gè)數(shù)量級(jí)的錯(cuò)誤率下降。蘋(píng)果聲稱iPhone X所采用的FaceID錯(cuò)誤率大概在百萬(wàn)分之一，意味著如果有一百萬(wàn)個(gè)人撿到你的手機(jī)，只有一個(gè)人可以冒充你解鎖成功。因?yàn)樗捎玫?a href="http://wenjunhu.com/v/tag/117/" target="_blank">傳感器是RGBD相機(jī)，里面不僅有彩色照片，還有深度信息、近紅外信息，同時(shí)在注冊(cè)階段也會(huì)捕捉你的多幅照片，以及在識(shí)別階段也是近距離進(jìn)場(chǎng)的識(shí)別等等，這些方式都使得iPhone X的FaceID識(shí)別任務(wù)成為人臉識(shí)別領(lǐng)域一個(gè)相對(duì)比較容易的任務(wù)。其實(shí)三星Note3幾年前就已經(jīng)可以用人臉識(shí)別解鎖，華為也在去年與我們合作將人臉識(shí)別應(yīng)用到了其榮耀Magic手機(jī)上去實(shí)現(xiàn)對(duì)手機(jī)的半解鎖。

其實(shí)人臉識(shí)別有非常多不同的應(yīng)用場(chǎng)景，手機(jī)的應(yīng)用只是其中之一，即使是一比一驗(yàn)證你是不是你的任務(wù)，也有不同的應(yīng)用場(chǎng)景。比如，在機(jī)場(chǎng)、車站等應(yīng)用場(chǎng)景，用身份證中的卡內(nèi)人臉照片和持卡人人臉比對(duì)，在過(guò)去3-4年里錯(cuò)誤率大概下降了2-4個(gè)數(shù)量級(jí)，達(dá)到了萬(wàn)分之一甚至更低的錯(cuò)誤率，即有一萬(wàn)個(gè)人試圖冒充你，只有一個(gè)人可能成功，在這種情況下，本人持自己身份證可以有95%以上的正確識(shí)別率。企業(yè)員工刷卡后進(jìn)行人臉驗(yàn)證的正確率則可以高達(dá)99%。

對(duì)于這些技術(shù)背后的AI，如果我們用一個(gè)簡(jiǎn)單的公式來(lái)表達(dá)，那就是“A+B+C”。A是Algorithm即算法，B是Bigdata大數(shù)據(jù)，C是算力Computing。我想這樣的公式或這樣的說(shuō)法，最近一段時(shí)間大家都越來(lái)越熟悉了。這三者中，A即算法，最主要的就是指深度學(xué)習(xí)算法了。

所謂深度學(xué)習(xí)其實(shí)并不是新的技術(shù)，在上世紀(jì)八十年代中后期的時(shí)候，理論、方法就基本成熟，但因?yàn)楫?dāng)時(shí)沒(méi)有大量數(shù)據(jù)，沒(méi)有足夠強(qiáng)的計(jì)算能力，這就使在當(dāng)時(shí)我們不可能發(fā)揮它的作用。

2012年之后，因?yàn)榛ヂ?lián)網(wǎng)和物聯(lián)網(wǎng)的發(fā)展，使我們有更多機(jī)會(huì)收集大量數(shù)據(jù)，再加上有GPU等平民化高性能計(jì)算設(shè)備的出現(xiàn)，使我們有機(jī)會(huì)完成大規(guī)模的深度學(xué)習(xí)算法的訓(xùn)練。

深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域，解決了或者至少推動(dòng)了一大類非線性的映射函數(shù)學(xué)習(xí)的問(wèn)題。換句話說(shuō)，給我們一張照片，這些照片就是一些數(shù)值，形成輸入x，我們通過(guò)深度模型學(xué)習(xí)一個(gè)F函數(shù)，用F作用于x，即F(x)得到我們想要得到的Y，這個(gè)Y可能是一個(gè)標(biāo)簽（比如貓，狗），也可能是我們想要分割的結(jié)果。

這樣的方式，使我們做AI的方法論產(chǎn)生了極大變化。從過(guò)去，我們大量依賴人類專家知識(shí)來(lái)設(shè)計(jì)算法，到現(xiàn)在，變成有大監(jiān)督大數(shù)據(jù)驅(qū)動(dòng)的方法為主。

以一個(gè)具體的應(yīng)用需求為例（從客戶那挖掘出來(lái)的案例）。

我們一個(gè)客戶做了小區(qū)巡邏機(jī)器人，物業(yè)希望這個(gè)機(jī)器人可以幫助解決小區(qū)管理中的一個(gè)痛點(diǎn)問(wèn)題。小區(qū)里經(jīng)常有小狗亂拉屎，所以物業(yè)需要一個(gè)狗屎檢測(cè)系統(tǒng)。這樣的話，巡邏機(jī)器人可以及時(shí)發(fā)現(xiàn)這樣的垃圾，然后“報(bào)警”，由保潔及時(shí)來(lái)清除掉。

在沒(méi)有深度學(xué)習(xí)的時(shí)候，我們需要做的是：

第一步，收集一定量的包含狗屎的圖像數(shù)據(jù)。

第二步，人工設(shè)計(jì)或選擇一些特征。

第三步，選擇某種分類器在收集的數(shù)據(jù)集合上測(cè)試它，看它效果好不好。如果不夠好就回到第二步，不斷進(jìn)行反饋和調(diào)整。

這是一個(gè)人工設(shè)計(jì)特征的過(guò)程，這樣的方式非常耗時(shí)，非常不高效。我們做人臉檢測(cè)花了20年，做行人車輛檢測(cè)大概花了10年，即使狗屎檢測(cè)相對(duì)容易，可能也需要至少一年。深度學(xué)習(xí)來(lái)了之后，整個(gè)過(guò)程變得很不一樣。如果我們采用眾包等方式，可能在一個(gè)月時(shí)間里就可以收集上萬(wàn)張標(biāo)注了狗屎的照片，然后算法工程師可以根據(jù)經(jīng)驗(yàn)選擇一個(gè)深度學(xué)習(xí)算法，并設(shè)定一些超參數(shù)，然后只需要讓機(jī)器在收集的數(shù)據(jù)集上進(jìn)行訓(xùn)練和學(xué)習(xí)就可以了，這個(gè)過(guò)程可以非常快速的完成，大概只需要三個(gè)月。從過(guò)去的數(shù)年到現(xiàn)在的數(shù)月，顯然大大提高了我們研發(fā)一項(xiàng)AI技術(shù)的效率。

這樣的方法論極大的提高了視覺(jué)技術(shù)的水平和落地效率。

我認(rèn)為很多場(chǎng)景下能看的AI才有真的智能。所以，視覺(jué)智能會(huì)有大量場(chǎng)景化需求，如果我們?nèi)ゼ?xì)看每一個(gè)領(lǐng)域，從公共安全、機(jī)器人、自動(dòng)駕駛、無(wú)人機(jī)到醫(yī)療，每個(gè)領(lǐng)域我們都可以非常輕易的發(fā)現(xiàn)視覺(jué)的用武之地。如果AI有一雙眼睛（也就是有攝像頭），我們背后有合適的算法，機(jī)器就可以更多的替換或者輔助人更好、更高效的做我們想要它做的事情。

但從落地角度來(lái)講，也存在非常多問(wèn)題。

問(wèn)題一：個(gè)性化需求非常多，可批量復(fù)制的“標(biāo)品”比較少。

以“狗屎”識(shí)別機(jī)器人為例，可能明天還需要一個(gè)塑料瓶子檢測(cè)，后天是塑料袋識(shí)別，再后天是白菜識(shí)別，這么多不同的物體，如果我們都采用前面說(shuō)的那種開(kāi)發(fā)方式，每種東西需要至少三個(gè)月，那么我們就會(huì)面臨非常重的開(kāi)發(fā)任務(wù)，關(guān)鍵是現(xiàn)在并沒(méi)有這么多人才可以去做這么多事。

從落地角度來(lái)看，誰(shuí)來(lái)做、誰(shuí)去買(mǎi)單、誰(shuí)去開(kāi)發(fā)算法，采用什么樣的商業(yè)模式和合作模式都是問(wèn)題。

問(wèn)題二：從計(jì)算力角度講，深度學(xué)習(xí)的計(jì)算成本相對(duì)比較高。最近很多的AI專用芯片市場(chǎng)就是在解決這類問(wèn)題。

AI技術(shù)的生產(chǎn)效率現(xiàn)在是比較低的，我們要加快生產(chǎn)效率，就需要人力，需要高水平的AI算法人才?？墒茿I的人才奇缺?，F(xiàn)在深度學(xué)習(xí)專業(yè)碩士畢業(yè)生可以拿到30-50萬(wàn)年薪，博士則可以高達(dá)50-80萬(wàn)年薪。在座的女孩們，如果沒(méi)有男朋友的話，到我們這個(gè)領(lǐng)域看一看。

相比可用的人才數(shù)量，這么多的視覺(jué)處理任務(wù)，如果每個(gè)任務(wù)都要2個(gè)碩士博士做3-5個(gè)月才能完成，這將是災(zāi)難性的事情。

所以，未來(lái)我們需要新的方法論，從現(xiàn)在有監(jiān)督大數(shù)據(jù)驅(qū)動(dòng)的方法論，變成知識(shí)和數(shù)據(jù)聯(lián)合驅(qū)動(dòng)的方法論，為了完成這些事情，我們需要更強(qiáng)大的機(jī)器學(xué)習(xí)方法。使得我們?cè)诓煌瑪?shù)據(jù)條件下也可以獲得穩(wěn)定、可靠的識(shí)別能力，這就體現(xiàn)在我們可能需要利用小數(shù)據(jù)、臟數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)。

此外，用來(lái)學(xué)習(xí)的數(shù)據(jù)還可能是半監(jiān)督的數(shù)據(jù)、弱監(jiān)督的數(shù)據(jù)，比如給你一張照片告訴你其中有狗屎，但并沒(méi)有明確告訴你這個(gè)狗屎在什么位置，如果我們能有可以充分利用這些數(shù)據(jù)的更好的機(jī)器學(xué)習(xí)方法，我們才可能更加快速的開(kāi)發(fā)AI技術(shù)。

這還不夠，我們還希望有更快捷的AI開(kāi)發(fā)方法。比如我們希望開(kāi)發(fā)一個(gè)安全帽檢測(cè)的引擎，這是實(shí)際需求。我們一旦把這個(gè)任務(wù)交給機(jī)器之后，希望AI生產(chǎn)平臺(tái)可以全自動(dòng)完成全部的開(kāi)發(fā)過(guò)程。機(jī)器完成這個(gè)任務(wù)的可能流程是：首先，它會(huì)理解這是一個(gè)檢測(cè)任務(wù)，檢測(cè)目標(biāo)是安全帽，然后機(jī)器自動(dòng)在百度上去搜索大量安全帽的圖像，然后在百度上搜索一些關(guān)于安全帽的知識(shí)描述，例如安全帽多數(shù)是圓的，顏色各異，經(jīng)常戴在人頭上等等。然后，算法就通過(guò)對(duì)這樣一些數(shù)據(jù)的自動(dòng)處理和學(xué)習(xí)，以及知識(shí)的利用完成一個(gè)“安全帽檢測(cè)”AI引擎的開(kāi)發(fā)。

遺憾的是，從算法的角度來(lái)講，以我對(duì)該領(lǐng)域?qū)W術(shù)前沿的了解，要達(dá)到這樣的目標(biāo)我們可能還需要5-10年，還不一定100%完全做到那種程度。

在此之前，工業(yè)界最靠譜的做法恐怕還是采用“數(shù)據(jù)暴力”來(lái)完成多數(shù)類似AI任務(wù)的研發(fā)。但我們?nèi)绾谓鉀Q缺少大量AI算法工程師的問(wèn)題呢？我認(rèn)為我們需要一個(gè)更強(qiáng)大、更便捷的AI算法生產(chǎn)基礎(chǔ)設(shè)施。這樣的基礎(chǔ)設(shè)施，就像當(dāng)年從專業(yè)相機(jī)到傻瓜相機(jī)的歷史演變一樣。

為了讓我們有更多的人才可以開(kāi)發(fā)AI，以滿足大量的視覺(jué)智能開(kāi)發(fā)任務(wù)，我們的AI生產(chǎn)工具要從Caffe，Mxnet和Tensorflow等只能昂貴的高端人才可以使用的開(kāi)發(fā)工具發(fā)展到“傻瓜式”的AI開(kāi)發(fā)平臺(tái)。這樣的平臺(tái)應(yīng)該使更多的中低端人才，即使不懂AI、不懂深度學(xué)習(xí)，也可以經(jīng)過(guò)簡(jiǎn)單的培訓(xùn)，就可以利用自己的私有數(shù)據(jù)，在這樣的軟硬建基礎(chǔ)設(shè)施平臺(tái)上，方便快捷的開(kāi)發(fā)出自己所需要的AI技術(shù)引擎，并便捷的嵌入自己的業(yè)務(wù)系統(tǒng)中。

我作為主要?jiǎng)?chuàng)始人成立的中科視拓，自去年8月成立以來(lái)，不僅做了大量人臉識(shí)別、無(wú)人機(jī)視覺(jué)等計(jì)算機(jī)視覺(jué)技術(shù)服務(wù)項(xiàng)目，開(kāi)發(fā)了多款人臉識(shí)別產(chǎn)品和解決方案。與此同時(shí)，我們已經(jīng)研發(fā)了一個(gè)稱為SeeTaaS的深度學(xué)習(xí)算法開(kāi)發(fā)平臺(tái)，這個(gè)平臺(tái)不但在我們公司內(nèi)部逐步得到了應(yīng)用，也已經(jīng)開(kāi)始提供給我們的B端客戶，使他們也具備了用自己的私有數(shù)據(jù)訓(xùn)練自己所需的深度學(xué)習(xí)算法和引擎的能力。相信這個(gè)SeeTaaS平臺(tái)會(huì)越來(lái)越好用，最終實(shí)現(xiàn)我們“讓天下沒(méi)有難開(kāi)發(fā)的AI”這一夢(mèng)想！

謝謝大家！