商湯科技創(chuàng)始人湯曉鷗

 

 

　　今天，我講的題目是《人工智能的中國式文藝復(fù)興》，這個題目我在上海講過一次，我這個人不太喜歡重復(fù)自己，于是我又想了一個新的題目——《人工智能的中國式十月革命》。

 

　　言歸正傳，我想大部分中國人都應(yīng)該知道《戰(zhàn)狼》，一下子賺了56億。這在15、20年前是不可能的；那時候很多人會去買盜版的VCD，或者去網(wǎng)上下載一個盜版。如果這樣，導(dǎo)演和演員也就沒有動力再繼續(xù)堅持下去了。今天，中國電影的成果最重要的推動力就是我們對原創(chuàng)和版權(quán)的尊重。

 

　　我們現(xiàn)在不是只有一部電影這樣成功，比如《羞羞的鐵拳》賺了22億，《芳華》達到14億的票房，《前任3》是18億，《無問西東》做到了5億票房。所以，對原創(chuàng)的尊重使得中國的原創(chuàng)電影不斷往前發(fā)展。在三四十年代，全球電影發(fā)展起來時，中國電影并不落后，像《馬路天使》、《一江春水向東流》一點也不輸給好萊塢電影。

 

　　再往前，說一下文藝復(fù)興的時候，如果米開朗基羅的這些作品或者任何一個藝術(shù)品很快有人進行復(fù)制，那么他可能也賺不到錢活不下去，所以，對于原創(chuàng)的尊重也是文藝復(fù)興能真正興起的一個原因。

 

　　說到原創(chuàng)，下面我們來講講人工智能。如果我講人工智能，大家第一能想到什么公司？是谷歌。但總有一天，人工智能熱潮會過去的，到那天大家一定能想到商湯科技。

 

　　為什么是谷歌？因為谷歌真的把資金投入人工智能發(fā)展，2015年的研發(fā)經(jīng)費達120億美金。2014年有一家公司叫DeepMind，只有12個員工，沒有賺錢，只是在用深度學(xué)習(xí)玩游戲和下棋，但是谷歌花費6.6億美金收購了這家公司。如果是在中國，大家就會花幾百萬美金把人一個個挖過來，那要便宜得多。但是如果那樣做的話，就不會有后來的AlphaGo了。 AlphaGo之后，谷歌又做了AlphaGo 2和AlphaGo Zero，有些公司開始學(xué)著AlphaGo下圍棋，還有的公司選擇打撲克牌，但從某種意義上講，這都是跟在別人的后面做事情。

 

　　真正有意義的事情是在AlphaGo之前你做了什么？有沒有做什么事情讓機器在某項任務(wù)上戰(zhàn)勝人類。在AlphaGo之前我們做了一件事情，2014年，我們團隊從事人臉識別，在全球第一次讓機器的人臉識別能力超過了人的眼睛，像AlphaGo一樣，在某一個人類定義的單項任務(wù)上，機器超越了人類。

 

　　超越了人類就過了一條紅線，而過了這條紅線就可以在工業(yè)上進行應(yīng)用。但是在真正應(yīng)用的時候，發(fā)現(xiàn)過了紅線還是不夠用，從實驗室到大規(guī)模產(chǎn)業(yè)化還有很長的路要走。2014年，我們用20萬人臉來對機器進行訓(xùn)練做到了98.5%的準確率，而人是97.5%;2015年我們用30萬人臉進行訓(xùn)練，達到了99.55%的準確率；2016年，我們用6000萬人臉訓(xùn)練可以達到了百萬分之一的誤識率；2017年，我們用20億人臉訓(xùn)練可以達到一億分之一的誤識率，而這樣的誤識率才可以真正地應(yīng)用到各行各業(yè)，包括監(jiān)控、金融、安防、手機等行業(yè)。所以，我們和高通簽署了全球AI戰(zhàn)略合作協(xié)議。

 

　　那么除了人臉識別，我們現(xiàn)在還做什么？這個技術(shù)是行為檢測，我們用計算機視覺分析的方法，可以從很長的一段視頻里把重點內(nèi)容檢測出來，你就可以直接跳過沒有意義的部分，直接看這些有趣的、真正的鏡頭。還有基于內(nèi)容的視頻搜索，在電影中我們可以把各種各樣的片段搜索出來，比如說你想搜索武打動作片段，或者喜劇片段，我們可以直接把它搜索出來，或者你想搜索科幻的，我們可以把科幻的片段搜索出來。

 

　　以及用自然語言描述來進行場景搜索，我們用自然語言來描述一個電影中的場景，然后它就可以自動根據(jù)你的描述把這個電影片段搜索出來，比如，我們要搜House of Cards中的一個片段，“Claire和Frank坐在藍色沙發(fā)上”，大家看到下面這段場景就出來了。另外，我們不但能把視頻分析出來，還能理解這個視頻，然后用自然語言描述出來。比如下面這些運動視頻，機器就可以像解說員一樣來描述運動場上發(fā)生的事情。

 

　　IJCV是我們這個領(lǐng)域的兩大頂級雜志之一，作為IJCV的主編，我會在每年的ICCV和CVPR兩個計算機視覺頂級會議上，主辦IJCV Night晚會，邀請幾百位頂級學(xué)者參加。下面這個演示里我們把電影場景里的所有物體都檢測出來，演員是哪一個演員，他穿的是什么衣服，這個場景是在餐廳里，所有的桌子、花、椅子全部能夠?qū)崟r的自動檢測出來，這樣的技術(shù)在以前是非常難的，但是現(xiàn)在我們都可以做到了。

 

　　再回頭來看我們?nèi)绾斡眠@些技術(shù)來分析前面提到的電影《戰(zhàn)狼》和《羞羞的鐵拳》，我們通過分析這些演員的動作和他們之間的關(guān)系，可以分析出來在不同的場景之下，這兩個演員是誰，在做什么，這個片段是什么類的情節(jié)。

 

　　同時，我們可以識別每一幀情節(jié)分類，每一個鏡頭是打斗場景還是戀愛場景。我們也可以把一個電影最精彩的鏡頭提取出來，大家可以挑選比如動作的精彩鏡頭、感情戲的精彩鏡頭、悲劇的精彩鏡頭等等。

 

　　那么總結(jié)起來，我們在做什么呢？我們是在教機器看電影，一開始我們是教機器來識別人臉，Google是在教機器來下圍棋，而現(xiàn)在我們來教機器代替人看電影。這個感覺有點怪，我們讓機器來做下棋，看電影，玩游戲這些有趣的事情，然后我們?nèi)祟愔回撠?zé)給機器充充電，維修和保養(yǎng)。

 

　　我覺得大家聽了這個一定覺得很可笑。實際上所有的任務(wù)，都是我們?nèi)税才沤o機器做的，機器是按照我們的指令在做事情，不存在機器控制人類這樣的事情，AI的真正目的是幫助人類，幫助我們提高生產(chǎn)效率。

 

　　最后給年輕人留下兩句話：第一句，電影一定要自己親自去看。第二句，AI這個詞在中國拼音翻譯過來就是“愛”，所以談戀愛也要自己親自去談，否則你就不止“前任3”了，很有可能“前任4”、“前任5”了。