能看圖會說話的AI，表現還超過了人類？最近，Azure悄然上線了一個新的人工智能服務，能精準的說出圖片中的內容。而背后的視覺詞表技術，更是超越了基于Transformer的前輩們，拿到nocaps挑戰賽冠軍。

有沒有發現，搜索出來的圖片有時相關性很差？

現在很多搜索引擎都是基于圖片的文本標簽，但是我們的世界每天產生不計其數的照片，很多都沒有標記直接傳到了網上，給圖片搜索帶來了很多混亂。

如果系統能自動給圖片加上精準的描述，圖像搜索的效率將大為提高。

看圖說話的AI：基于模板和Transformer都不盡如人意

看圖說話（或者叫圖像描述），近年來受到了很多關注，它可以自動生成圖片描述。但是目前無論是學術界還是工業界，做的效果都差強人意。

看圖說話系統一方面需要計算機視覺進行圖像的識別，另一方面需要自然語言來描述識別到的物體。帶標簽的圖片可以針對性訓練，那如果出現了從未標注的新物體，系統是不是就失效了？

這個問題困擾了人們很久，即描述清楚一個新出現的東西。

人工智能領域驗證一個模型的好壞，通常會用一個基準測試。比如NLP方向會用GLUE、SuperGLUE等，圖像識別會用ImageNet等。

為了測試模型能否在沒有訓練數據的情況下完成看圖說話，nocaps應運而生。nocaps可以衡量模型能否準確描述未出現過的物體。

傳統的看圖說話方法主要有兩種：一種是模板生成，一種是基于 Transformer 的圖像文本交互預訓練。

模板生成方法，在簡單場景下可以使用，但無法捕捉深層次的圖像文本關系，而基于Transformer的模型又需要海量的標注數據，所以不適合nocaps。

為解決這些問題，微軟認知服務團隊的研究人員提出了一種名為視覺詞表預訓練（Visual Vocabulary Pre-training，簡稱VIVO）的解決方案。

無需配對圖文數據，VIVO看圖說話奪冠nocaps首次超越人類

VIVO可以在沒有文本標簽的數據上進行文本和圖像的多模態預訓練，擺脫了對配對圖文數據的依賴，可以直接利用ImageNet等數據集的類別標簽。借助VIVO，模型可以學習到物體的視覺外表和語義之間的關系，建立視覺詞表。

這個視覺詞表是啥呢？其實就是一個圖像和文本的聯合特征空間，在這個特征空間中，語義相近的詞會聚類到一起，如金毛和牧羊犬，手風琴和樂器等。

預訓練建好詞表后，模型只需在有少量共同物體的配對圖文的數據上進行微調，模型就能自動生成通用的模板語句，使用時，即使出現沒見過的詞，也能從容應對，相當于把圖片和描述的各部分解耦了。

所以VIVO既能利用預訓練強大的物體識別能力，也能夠利用模板的通用性，從而應對新出現的物體。

Azure AI 認知服務首席技術官黃學東解釋說，視覺詞表的預訓練類似于讓孩子們先用一本圖畫書來閱讀，這本圖畫書將單個單詞與圖像聯系起來，比如一個蘋果的圖片下面有個單詞apple，一只貓的圖片下面有個單詞cat。

視覺詞表的預訓練本質上就是訓練系統完成這種動作記憶。

目前，VIVO 在 nocaps 挑戰中取得了 SOTA效果，并首次超越人類表現。

VIVO取得成功可不僅僅是挑戰賽的SOTA，目前已經有了實際應用。

看圖說話SOTA已上線，AI不能一直處于灰色的迭代

據世界衛生組織統計，各年齡段視力受損的人數估計有2.85億人，其中3900萬人是盲人。

實力受損的用戶想要獲取圖片和視頻中的信息，就要依靠自動生成的圖片描述或字幕（或者進一步轉化為語音），他們非常相信這些自動生成的描述，不管字幕是否有意義。

「理想情況下，每個人都應該在文檔、網絡、社交媒體中給圖片添加描述，因為這樣可以讓盲人訪問內容并參與對話?！沟?，這很不現實，很多圖片都沒有對應的文本。

Azure AI 認知服務公司首席技術官黃學東說: 「看圖說話是計算機視覺的核心能力之一，可以提供廣泛的服務」。

現在VIVO看圖說話的能力已經集成到了Azure AI中，任何人都可以將它集成到自己的視覺AI應用中。

黃學東認為， 把VIVO的突破帶到 Azure 上，為更廣泛的客戶群服務，不僅是研究上的突破，更重要的是將這一突破轉化為 Azure 上的產品所花費的時間。

基于VIVO的小程序Seeing AI在蘋果應用商店已經可以使用了，Azure也已經上線了免費API，供盲人或者視障人士免費使用。如果再加上Azure的翻譯服務，看圖說話可以支持80多種語言。

的確，有太多的實驗室SOTA技術倒在了灰色的不斷迭代中，沒能完成它最初的使命。

看圖說話只是認知智能的一小步，受古登堡印刷機啟發開創新魔法

近年來，微軟一直在尋求超越現有技術的人工智能。

作為 Azure 認知服務的首席技術官，黃學東所在的團隊一直在探索，如何更全面、更人性化地來學習和理解這個世界。

他認為要想獲得更好的認知能力，三個要素至關重要，單語言文本（X）、音頻或視覺等感覺信號（Y）和多語言（Z）。

「我們相信 XYZ-Code正在實現我們的長期愿景: 跨領域、跨模式和跨語言學習。我們的目標是建立預先訓練好的模型，這些模型可以學習大范圍的下游人工智能任務的表示，就像今天人類所做的那樣?！?/p>

黃學東團隊從德國發明家約翰內斯·古登堡那里獲得靈感，他在1440年發明了印刷機，使人類能夠快速、大量地分享知識。作為歷史上最重要的發明之一，古登堡的印刷機徹底改變了社會進化的方式。

古登堡和他發明的印刷機

在今天的數字時代，認知智能的愿景也是開發一種能夠像人一樣學習和推理的技術，對各種情況和意圖做出精準推斷，進而做出合理的決策。

在過去的五年里，我們已經在人工智能的很多領域實現了人類的平等地位，包括語音識別對話、機器翻譯、問答對話、機器閱讀理解和看圖說話。

這五個突破讓我們更有信心實現人工智能的飛躍，XYZ-Code將成為多感官和多語言學習的重要組成部分，最終讓人工智能更像人類。

正如古登堡的印刷機革命性地改變了通信的過程，認知智能將幫助我們實現人工智能的偉大復興。

看圖說話體驗鏈接：

https://apps.apple.com/us/app/seeing-ai/id999062298