在幾乎所有的科幻電影里，人工智能機(jī)器人都能像人類那樣，用計算機(jī)視覺動態(tài)的識別周圍環(huán)境、人與物。《星球大戰(zhàn)7》里的新型機(jī)器人BB-8，還能通過頭部的配合，制造出各種萌萌的眼神和表情。

然而與人類數(shù)千年的文化相比，計算機(jī)科學(xué)本身也不過幾十年的歷史。人眼可以輕易的識別各種2D和3D圖像，對于計算機(jī)來說只是無數(shù)像素點的集合。如何讓計算機(jī)分析這些捕獲的像素點，“識別”出來各種物體，一直是計算機(jī)視覺想要攻克的難關(guān)。

微軟研究院作為全球最大的企業(yè)研究院之一，長期以來也與其它科技機(jī)構(gòu)一樣，試圖打開機(jī)器之眼。2015年底，微軟在全球頂級的計算機(jī)視覺挑戰(zhàn)賽ImageNet中拿下了全部三項主要項目的冠軍。與此同時，在硬件端微軟還開發(fā)出了針對智能終端的視覺識別模型壓縮算法。

可以說，現(xiàn)在離計算機(jī)視覺的全面突破，只有一步之遙。

百層卷積神經(jīng)網(wǎng)絡(luò)

ImageNet挑戰(zhàn)賽的項目之一是對1000 類、120 萬張互聯(lián)網(wǎng)圖片進(jìn)行分類，每張圖片人工標(biāo)注5個相關(guān)類別，機(jī)器識別的結(jié)果只要有一個和人工標(biāo)注類別相同就算對。對于該圖片集，人眼辨識錯誤率大概為5.1%，目前只有谷歌和微軟等個別參賽團(tuán)隊的算法能夠達(dá)到低于5%的結(jié)果。

2015年12月10日，微軟亞洲研究院視覺計算組在ImageNet計算機(jī)識別挑戰(zhàn)賽中再次打破紀(jì)錄，獲得圖像分類、圖像定位以及圖像檢測全部三個主要項目的冠軍，將系統(tǒng)錯誤率降低至3.57%。

在計算機(jī)視覺識別領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)是主要的識別算法。微軟亞洲研究院視覺計算組首席研究員孫劍介紹，之所以能實現(xiàn)3.57%的重大突破，是因為他所帶領(lǐng)的研究團(tuán)隊使用了前所未有的高達(dá)百層的深層卷積神經(jīng)網(wǎng)絡(luò)算法，比以往任何成功的算法層數(shù)多達(dá)5倍以上。

目前神經(jīng)網(wǎng)絡(luò)算法的層級普遍為20到30層，而在此次挑戰(zhàn)賽中微軟團(tuán)隊的卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)了152層。孫劍的團(tuán)隊還采用了全新的“殘差學(xué)習(xí)”原則，很好地解決了神經(jīng)網(wǎng)絡(luò)的層級數(shù)與準(zhǔn)確度之間的矛盾。孫劍說，“深層殘差網(wǎng)絡(luò)”極為通用，將極大地改善計算機(jī)視覺的研究。

把視覺識別推進(jìn)到智能終端里

ImageNet挑戰(zhàn)賽不斷激勵參賽的研究機(jī)構(gòu)開發(fā)和優(yōu)化計算機(jī)視覺識別算法，但在實際商業(yè)應(yīng)用中卻需要把已經(jīng)研究出來的科學(xué)算法，用簡單易用、高效可靠的工程化方式在智能手機(jī)等智能終端上實現(xiàn)。

微軟亞洲研究院硬件計算組與清華大學(xué)電子工程系一直在硬件加速領(lǐng)域合作近10年，從2013年開始雙方一起研究怎樣把深層卷積神經(jīng)網(wǎng)絡(luò)與智能硬件結(jié)合起來，其成果就是基于FPGA（可編程芯片）技術(shù)的A-Eye視覺芯片。

FPGA對用卷積神經(jīng)網(wǎng)絡(luò)算法進(jìn)行圖像識別、壓縮算法進(jìn)行大數(shù)據(jù)處理等方面有重要價值。微軟的研究表明，高端GPU的圖像處理能力是FPGA的2到3倍，但FPGA的功耗約是高端GPU的1/10，多個FPGA結(jié)合能以低功耗達(dá)到GPU的處理能力。

微軟亞洲研究院硬件計算組主管研究員徐寧儀介紹說，A-Eye視覺芯片本質(zhì)上是想把現(xiàn)有的計算機(jī)視覺識別算法嵌入到普通的攝像頭里。現(xiàn)在，深層神經(jīng)網(wǎng)絡(luò)算法的層數(shù)越來越高，需要的計算能力越來越強(qiáng)，而智能手機(jī)等終端設(shè)備的計算、存儲和功耗都很有限，因此A-Eye本質(zhì)上是通過軟件壓縮和定制的硬件加速，讓計算機(jī)視覺識別算法適用于普通的智能終端。

A-Eye視覺芯片包括了一個基于軟件的壓縮算法和基于FPGA芯片的硬件實現(xiàn)，可把一個典型的卷積神經(jīng)模型壓縮近五倍，并且在一個2cm×2cm面積的FPGA芯片里實現(xiàn)。A-Eye視覺芯片是一個通用的平臺，適用于任何深層卷積神經(jīng)網(wǎng)絡(luò)算法。經(jīng)過壓縮后，一個原來500M的視覺識別算法能被壓縮到100M左右。

距離通用型視覺識別“一步之遙”

目前的攝像頭主要能完成圖像記錄、存儲等功能，而在攝像頭上嵌入A-Eye 視覺芯片，就可以讓攝像頭具有視覺理解能力。

基于A-Eye技術(shù)的高性能智能視覺芯片，可以廣泛用于智能安防、嬰兒和老人看護(hù)、無人汽車和無人機(jī)等各種需要計算機(jī)視覺的領(lǐng)域。城市的安防攝像頭如果配備了A-Eye芯片，就可以同時尋找一個 “穿黃上衣背黑背包的人”，并且不漏過每一幀圖像。

那么，有了百層的神經(jīng)網(wǎng)絡(luò)和適用于智能終端的壓縮技術(shù)后，是否智能終端就具有與人類媲美的視覺識別能力了呢？答案：還不是。

徐寧儀介紹說，雖然可以把A-Eye技術(shù)工程化，用成本更低、更小型的通用芯片實現(xiàn)智能手機(jī)或網(wǎng)絡(luò)攝像頭的視覺識別能力，但由于深層神經(jīng)網(wǎng)絡(luò)算法僅僅是針對某一類圖像數(shù)據(jù)的“識別”，類似人眼這樣的通用圖像識別，還有一段路要走。

所謂深層神經(jīng)網(wǎng)絡(luò)算法或機(jī)器算法，本身僅僅是對某一類圖形圖像數(shù)據(jù)的數(shù)學(xué)建模，也就是要根據(jù)應(yīng)用場景建立相應(yīng)的數(shù)學(xué)模型。以花卉識別為例，微軟亞洲研究院與中科院合作，對260萬張花卉照片進(jìn)行深層神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得出了花卉類的通用數(shù)學(xué)模型。基于這個數(shù)學(xué)模型，可以對攝像頭掃描進(jìn)來的任何花卉圖片進(jìn)行識別，準(zhǔn)確叫出花卉的名字及所屬的界、門、綱、目、科、屬、種。

換句話說，目前的視覺識別算法和壓縮技術(shù)，僅僅是一種建立數(shù)學(xué)模型的工具。把海量的動物圖片輸入到這個工具，另一端得出來的數(shù)學(xué)模型就只能識別動物圖片，以此類推。所以，基于微軟的研究成果，可以開發(fā)出針對特定場景、可商用的計算機(jī)視覺智能解決方案。

那么，我們離通用型計算機(jī)視覺智能還有多遠(yuǎn)？徐寧儀說，這個愿景也許不難實現(xiàn)。所謂“看過世界才知道世界是什么樣”，一個可能的方法是通過搜索引擎生成一個半通用型圖像識別模型，然后再把具體要識別的圖片與這個半通用型模型結(jié)合，迅速得出定制化、場景化的模型。

從目前微軟等公司的研究進(jìn)展看，人類離可商用的通用型實時計算機(jī)視覺已經(jīng)逼近拐點。特別是全球5G技術(shù)的研發(fā)已在2016年初大規(guī)模啟動，移動網(wǎng)絡(luò)帶寬很快將不再是問題，智能手機(jī)等智能終端的性能也在飛速提升中。

計算機(jī)視覺相關(guān)的各項技術(shù)都已經(jīng)走到突破的臨界點，人工智能之眼很快就能打開。