繼“讓機(jī)器聽懂你的聲音”，鈦坦白又請來六位鈦客，探討如何讓機(jī)器看懂這個(gè)世界。本文根據(jù)閱面科技創(chuàng)始人、CEO趙京雷在鈦坦白的分享整理。
趙京雷是上海交通大學(xué)人工智能博士，前阿里巴巴北京算法研究中心負(fù)責(zé)人、高級算法專家，專注人工智能領(lǐng)域算法和產(chǎn)品研發(fā)超過15年。
以下是趙京雷在鈦坦白的分享：
大家晚上好，非常榮幸有這樣的機(jī)會在鈦坦白和大家交流。前面聽了幾位創(chuàng)始人的分享，在群里面也看到了這么多從事計(jì)算機(jī)視覺研究以及對這個(gè)領(lǐng)域感興趣的朋友。給我的感受是，計(jì)算機(jī)視覺在各個(gè)領(lǐng)域的應(yīng)用正在快速爆發(fā)中。
這一波的人工智能創(chuàng)業(yè)潮和移動互聯(lián)網(wǎng)以及O2O的創(chuàng)業(yè)潮不太一樣，各種垂直行業(yè)的機(jī)會很多。我個(gè)人認(rèn)為，AI行業(yè)很難形成一家獨(dú)大，贏家通吃的局面，另外市場也非常大，需求也很強(qiáng)。不同的視覺公司正在從不同的領(lǐng)域形成各自的突破，都存在非常大的機(jī)會。
簡單介紹一下閱面科技，我們從2014年底開始籌備，公司正式成立是在2015年7月份，目前我們的總部在上海，在北京、南京、美國設(shè)有研發(fā)分部。閱面科技主要專注在深度學(xué)習(xí)和嵌入式視覺，為消費(fèi)級以及民用智能產(chǎn)品提供基于深度學(xué)習(xí)的低成本視覺解決方案。
視覺功能的層次和基礎(chǔ)設(shè)施
談到嵌入式視覺，顧名思義，我們更多是希望算法能夠慢慢沉淀為成熟的視覺模塊，能夠在設(shè)備端不依賴于服務(wù)器，本地化和實(shí)時(shí)化的運(yùn)行。當(dāng)然與前端視覺模塊相對應(yīng)還有云服務(wù)。人工智能發(fā)展到一定階段，一定會沉淀為比較基礎(chǔ)的實(shí)施，就像移動互聯(lián)網(wǎng)的發(fā)展軌跡一樣。這種基礎(chǔ)設(shè)施的沉淀和成熟，會讓人工智能技術(shù)拿來即用。
計(jì)算機(jī)視覺基礎(chǔ)設(shè)施形式可以是云，也可以是集成在設(shè)備前端的視覺模塊。計(jì)算機(jī)視覺其實(shí)涵蓋的領(lǐng)域非常多，包含的各種各樣的功能也非常多。哪些視覺功能適合作為云服務(wù)提供，哪些視覺功能應(yīng)該集成進(jìn)設(shè)備前端呢？這個(gè)其實(shí)是從我們開始籌備這家公司就在思考的問題。答案隱藏于對我們?nèi)祟愖陨硪曈X能力形成過程的思考。
如下圖所示，人類在長大的過程中，視覺能力經(jīng)歷了不同的層面的形成過程。有一些視覺能力是每一個(gè)人生下來就具備的。比如，孩子可能剛剛學(xué)會走路，或者是剛剛會爬的時(shí)候，就具備的這樣一些視覺能力，我們把他稱之為本能層的視覺能力。比如孩子知道身邊沒人了，他就害怕。知道爸爸媽媽來了，有人過來照顧他了，他會覺得很開心。這種能力我們稱之為對人感知的視覺能力。另外一塊比如說孩子即便是剛學(xué)會爬，也不會把頭往墻上去撞。孩子知道哪里是可以行走的，哪里是不可以行走的，這種能力我們稱之為對空間感知的視覺能力。人感能力和空間感知能力都是本能層視覺能力。
另外還有很多的視覺能力是靠我們后天不斷的學(xué)習(xí)才得到的。比如，對物品的識別，認(rèn)識前面的物品是一個(gè)手機(jī)，是一個(gè)電腦，還是一個(gè)杯子等等。另外比如說識字，也是一種后天通過不斷的學(xué)習(xí)得到的視覺能力。這一層的視覺能力稱之為習(xí)得層視覺能力。
另外還有一些視覺能力，可能是比較專業(yè)的人士才會具備的，比如說通過醫(yī)學(xué)圖片來判斷上面會不會有一個(gè)病灶，這只有專業(yè)的醫(yī)生才能做到。另外比如說任給一個(gè)植物照片，說出植物的名字，這只有植物學(xué)家能夠做到。這一層能力稱之為專業(yè)層視覺能力。
不同層面的視覺能力，具有不同的特性，隨著技術(shù)的成熟，會沉淀為不同層面的基礎(chǔ)設(shè)施。比如下圖所示：本能層的視覺能力，更多的是動態(tài)的，最基本的視覺理解層面的東西，未來會沉淀為即插即用的前端處理模塊；習(xí)得層的視覺能力，更多的是靜態(tài)的圖像識別，未來更多會沉淀為公有云服務(wù)；而專業(yè)層的視覺能力，未來更多會沉淀為垂直的行業(yè)服務(wù)或解決方案。
閱面科技在做的視覺模塊，主要是對應(yīng)于本能層這塊，我們是希望能夠把未來的比較基礎(chǔ)的比如說像對人感知，對空間感知這樣的基礎(chǔ)能力做成比較標(biāo)準(zhǔn)化的前端的視覺模塊。因?yàn)橹灰窍M(fèi)和民用的場景的各種機(jī)器和設(shè)備，一定是和人打交道的，一定是和人的生活空間打交道的，一定離不開這些本能層的視覺能力。
為什么是視覺模塊，而不是SDK？
說到這里，可能大家會有個(gè)疑問，是不是我們把算法做成SDK讓我們的前端設(shè)備去集成就行了？為什么還要沉淀為這種軟硬件一體的視覺模塊呢？
相比較于算法的SDK，視覺模塊有以下的這樣幾個(gè)特點(diǎn)：
- 視覺模塊的集成可以不考慮被嵌入設(shè)備本身的計(jì)算能力，做到即插即用。比如機(jī)器人也好，或者是其他帶攝像頭的設(shè)備也好，通過集成一個(gè)對人感知模塊，可以馬上具備對人感知的綜合能力，比如：有沒有人，人在哪里，各自的移動軌跡，分別是誰，等等。
- 視覺模塊可以屏蔽掉硬件的適配問題，不受攝像頭選型、芯片架構(gòu)、操作系統(tǒng)類型的影響。
- 最重要的是，算法模塊是和行業(yè)緊密結(jié)合的，可以把這個(gè)行業(yè)相關(guān)的，若干不同的算法集成在一起，多算法協(xié)同作業(yè)，以最有效率，最具有擴(kuò)展性的，最低成本的一種方式，幫助這個(gè)行業(yè)去快速解決問題。
嵌入式視覺領(lǐng)域，非常典型的一家公司是以色列的Mobileye。Mobileye的IQ系列視覺模塊專為自動駕駛行業(yè)構(gòu)建，集成了自動駕駛行業(yè)里面所需的一系列算法，一體化的提供給這個(gè)行業(yè)。行業(yè)的客戶的比如說像車廠可以迅速的基于這個(gè)模塊去搭建他自己的自動駕駛產(chǎn)品。IQ系列視覺模塊的基礎(chǔ)和核心，毫無疑問，一定是里邊集成的視覺算法，比如各種人、車的檢測和識別算法。
算法的成熟，其實(shí)是一個(gè)非常非常漫長的過程。我們都知道Mobileye在自動駕駛領(lǐng)域目前絕對領(lǐng)先，更多的是它們的基礎(chǔ)算法經(jīng)過了多年的優(yōu)化。視覺算法的優(yōu)化不是一兩個(gè)月就能達(dá)到的，一般來講，從一個(gè)實(shí)驗(yàn)室級別的算法到一個(gè)工業(yè)級的算法，沒有一年半以上的優(yōu)化時(shí)間，是不太可能達(dá)到出色水平的。
拿最普通的人臉檢測算法來舉例。假設(shè)有公司找到兩個(gè)非常不錯(cuò)的人才去做這樣一件事，要求是能在普通的手機(jī)設(shè)備上能夠?qū)崟r(shí)運(yùn)行。出于速度考慮，他可能首先會想到使用比較傳統(tǒng)的方法，比如NPD之類的。如果足夠優(yōu)秀，1個(gè)月左右可以完成第一版實(shí)驗(yàn)室級別的算法。然后，各種各樣的問題就來了，比如在FDDB上能跑到多少？側(cè)面檢測角度能支持多少？平面內(nèi)旋轉(zhuǎn)能支持多少？多人同時(shí)檢測速度是否成比下降？頭頂有大燈的情況下能否檢測出來？逆光的情況下能否檢測出來？表情夸張的時(shí)候能否檢測出來？嚴(yán)重遮擋的時(shí)候能否檢測出來？距離是否可以支持的足夠遠(yuǎn)？第一個(gè)版本，幾乎上面列的任何一個(gè)問題都是遠(yuǎn)遠(yuǎn)不能滿足要求的。后面，每一個(gè)點(diǎn)的優(yōu)化其實(shí)都是一個(gè)坑，跳進(jìn)去可能就爬不上來。最終可能面臨很多無法解決的問題，這時(shí)候你開始對模型懷疑，考慮換模型，比如說換成深度學(xué)習(xí)模型。事實(shí)確實(shí)是這樣的，深度學(xué)習(xí)算法在遇到上面這些問題上魯棒性要好很多，但還是要反復(fù)不斷的進(jìn)行優(yōu)化。
除了算法的精度優(yōu)化之外，是不是可以做到讓這樣的深度學(xué)習(xí)算法依賴的計(jì)算資源很小，運(yùn)算速度足夠快？比如深度學(xué)習(xí)算法實(shí)現(xiàn)以后，算法包可能非常大，只能借助于GPU或者在臺式機(jī)上勉勉強(qiáng)強(qiáng)能夠跑起來。在這個(gè)基礎(chǔ)之上，怎么樣在不降低精度的情況下，優(yōu)化模型，讓模型可以在嵌入式設(shè)備跑起來，這決定了模塊化的成本。各種各樣的方法，比如說像多值化、定點(diǎn)化，包括各種矩陣計(jì)算的優(yōu)化，每一個(gè)都是非常大的坑，跳進(jìn)去是不是能爬得上來，都是一個(gè)未知數(shù)。我相信每一個(gè)視覺公司，每一個(gè)算法公司，在底層算法的成熟上一定會經(jīng)歷這樣的一個(gè)漫長的熬人的過程，這樣一個(gè)從實(shí)驗(yàn)室級別算法到工業(yè)級算法的優(yōu)化過程。
具體到閱面科技，我們在底層算法的成熟基礎(chǔ)上，已經(jīng)形成了模塊化的系列產(chǎn)品線，主要包括人臉識別模塊、人感模塊和空間感知模塊。簡單介紹一下，人感視覺模塊，稱之為Human Sensing Module，里面集成了對人進(jìn)行感知的系列算法閉環(huán)，包含檢測有沒有人、幾個(gè)人、人在哪里、運(yùn)動軌跡、姿態(tài)、分別是誰，以及有沒有和我產(chǎn)生交互。這個(gè)模塊可以通過普通攝像頭，即插即用。目前，我們的模塊化的產(chǎn)品，很多是針對行業(yè)的解決方案。我們還是圍繞我們最開始成立公司的初衷，圍繞人、人的生活圈，在消費(fèi)和民用相關(guān)領(lǐng)域展開服務(wù)。第一個(gè)領(lǐng)域，稱之為泛機(jī)器人，也可以稱為智能機(jī)器行業(yè)。第二個(gè)領(lǐng)域，是智慧家庭和智慧社區(qū)。智能機(jī)器方面，以增量市場為主，比如各種嵌入攝像頭的設(shè)備等。在智慧社區(qū)這塊，更多是針對現(xiàn)有的一些存量市場，比如像樓宇對講系統(tǒng)、門禁系統(tǒng)、各種各樣的IP攝像頭等。
算法前端化的兩個(gè)重要問題
前面我大概講了一下，我們在構(gòu)建我們的產(chǎn)品和商業(yè)模式上的一些想法和一些思路。接下來和大家一起探討兩個(gè)比較具體的算法前端化的一個(gè)問題，也是我自己經(jīng)常思考的兩個(gè)問題。
- sensor的選擇（攝像頭選型問題）
目前我們推出的一些模塊，主要都是基于單目RGB攝像頭，也就是隨處可見的最普通的攝像頭。任何一個(gè)攝像頭，只要30萬象素以上都可以集成我們的模塊馬上獲得模塊所提供的視覺認(rèn)知能力。
我們來對比一下前端視覺的可能幾種選型：首先看一下單目RGB和雙目RGB的不同。我們還是拿Mobileye做為例子，我們都知道，Mobileye基于單目RGB實(shí)現(xiàn)。自動駕駛領(lǐng)域，其實(shí)是一個(gè)對距離，對深度非常敏感的領(lǐng)域。自動駕駛需要知道前面車、人的距離，包括其他方面的景深。我們?nèi)绻恢肋@家公司的存在，可能粗粗一想，會認(rèn)為雙目攝像頭在自動駕駛領(lǐng)域是必不可缺的。但是Mobileye給的答案是單目攝象頭，是因?yàn)樗夹g(shù)上沒辦法做雙目嗎？顯然不是。Mobileye認(rèn)為，即便在自動駕駛的這種場景下，其實(shí)更多的是要做識別，而深度以及距離信息其實(shí)可以通過單目結(jié)合攝像頭內(nèi)參等信息精確獲取。
總體來講，在對識別需求更多的場景里邊，單目是一個(gè)比較佳的選擇，不管是從成本上還是實(shí)際的效果上。那種比較遠(yuǎn)距離的，三維空間的避障方面，比如無人機(jī)領(lǐng)域，可能雙目是一個(gè)比較好的選擇。其他的sensor類型，諸如TOF以及結(jié)構(gòu)光Sensor，其實(shí)可以類比于雙目RGB攝像頭，都只是構(gòu)建深度的一個(gè)手段，本身都不具備識別功能。
- 芯片選型問題
到底使用什么樣的芯片去承載深度學(xué)習(xí)算法的計(jì)算？目前，我們底層的深度學(xué)習(xí)算法，都是可以不依賴于GPU或其他加速設(shè)備，僅僅依賴于低端的CPU運(yùn)行的，這使得我們模塊成本可以做到很低。
芯片之爭，在整個(gè)人工智能領(lǐng)域現(xiàn)在是非常激烈。2016年其實(shí)發(fā)生很多領(lǐng)域的并購案，像因特爾收購了Altera和Movidius，分別是做FPGA和神經(jīng)網(wǎng)絡(luò)架構(gòu)芯片。軟銀收購了ARM這樣的傳統(tǒng)CPU架構(gòu)芯片公司。另外，GPU企業(yè)Nvidia在2016年借助深度學(xué)習(xí)風(fēng)潮迅速圈錢。
粗粗算來，在前端模塊上有很多種選擇，比如像英偉達(dá)的嵌入式端GPU TK1或者TX1；FPGA企業(yè)推出的各種各樣的FPGA；當(dāng)然還有傳統(tǒng)的CPU；還有國內(nèi)現(xiàn)在也有不少公司在做的，被稱之為新一代的計(jì)算架構(gòu)的芯片， VPU或者稱之為NPU也好，也就是為神經(jīng)網(wǎng)絡(luò)加速而優(yōu)化的計(jì)算芯片；另外，還有針對某些行業(yè)的特定模塊在未來其實(shí)可以變成ASIC，比如說像Mobileye的IQ系列模塊，其實(shí)已經(jīng)變成了一款視覺專用芯片。
不同的芯片，在現(xiàn)在支持的領(lǐng)域可能不太一樣，比如說像GPU這種，能力比較強(qiáng)一點(diǎn)，但是功耗比較高，可能適合于更加軍用、政府用這種對成本不太敏感的場景，F(xiàn)PGA其實(shí)也是這樣的。另外，VPU或稱為NPU，真能做出來還是可以對整個(gè)這個(gè)行業(yè)推動比較大。但這個(gè)做出來以后，到底是以一種什么樣的形式呈現(xiàn)，這個(gè)目前還不得而知。目前而言，我們還看到另外一種變數(shù)，就是這種深度學(xué)習(xí)的加速能力，其實(shí)沒有變成所謂的VPU、NPU，而是被整合到我們以前可能都想不到的地方，比如說DSP，然后和CPU結(jié)合起來提供整體的一個(gè)計(jì)算能力。
那么ASIC，也就是專用芯片呢？個(gè)人認(rèn)為不一定是一個(gè)必然的結(jié)果。專用芯片是某種程度上節(jié)省成本，構(gòu)建行業(yè)壁壘的一種手段，不一定是一個(gè)必然的結(jié)果，有可能做到模塊這一層就夠了?？傮w來講，其實(shí)還是像剛才講的，各種各樣的前端芯片選型，還是和具體的行業(yè)以及應(yīng)用領(lǐng)域有關(guān)。
人工智能領(lǐng)域在2016年變得非常的火熱，我覺得這種火熱來自于兩個(gè)方面，一方面就是技術(shù)進(jìn)步使我們已經(jīng)能夠看到很多智能應(yīng)用的落地，另一方面，是人工智能帶給我們很多的未知數(shù)和不確定性。正是這些未知數(shù)，撬動了行業(yè)以及資本的熱度。人工智能到底在行業(yè)應(yīng)用里邊能應(yīng)用到怎樣一個(gè)程度，到底能給我們生活帶來什么樣的改變，目前是沒有答案的，但改變是必然的。
移動互聯(lián)網(wǎng)的紅利過去以后，各行各業(yè)都面臨效率提升和成本下降的進(jìn)一步需求。技術(shù)的進(jìn)步將為這種需求的滿足帶來強(qiáng)大驅(qū)動力。我們最希望看到的是通過人工智能企業(yè)的一起努力，讓人工智能的技術(shù)迅速沉淀為基礎(chǔ)設(shè)施。這樣的話，我們將迎來人工智能時(shí)代的真正主角，也就是讓更多行業(yè)出來的人，拿起AI的武器，迅速去改變我們的世界。（本文獨(dú)家首發(fā)鈦媒體，根據(jù)閱面科技創(chuàng)始人、CEO趙京雷在鈦坦白上的分享整理）
………………………………………………
鈦坦白第28期“AI已來，讓機(jī)器看懂這個(gè)世界”，六位鈦客的精彩分享已經(jīng)結(jié)束，干貨會陸續(xù)發(fā)布：http://m.chcmb.cn/tag/1508094
鈦坦白2017年，精彩分享繼續(xù)！
推薦鈦客、贊助、合作：請與鈦坦白負(fù)責(zé)人佳音聯(lián)系，郵箱jiayinge@tmtpost.com
快報(bào)
根據(jù)《網(wǎng)絡(luò)安全法》實(shí)名制要求，請綁定手機(jī)號后發(fā)表評論