机器人看图说话能力比肩人类！中国AI超越微软，打破世界纪录

每个人都有这样的回忆，小时候语文老师教我们看图说话，许多小朋友脑洞大开，说出来的答案让人啼笑皆非。实际上，看图说话的能力在年幼时期需要训练，而对于大一点孩子来说就不成问题了。如今，机器人也能做到看图说话了。

近日，来自中国AI在这项能力上已经打破了世界纪录。在第二届全球AI视觉对话竞赛中，阿里AI击败了微软、首尔大学等十支参赛队伍，一举获得冠军。

阿里AI在视觉对话竞赛中得冠

会“看图说话”的AI有多聪明？

这场视觉对话竞赛由美国佐治亚理工大学、Facebook人工智能实验室（FAIR）等机构联合全球视觉技术领域顶级学术会议CVPR发起，是目前视觉对话领域最权威的竞赛之一。

该竞赛要求参赛的AI在看完近万张图片后，回答出人类对于任一图片任一内容的提问。这要求AI不仅能够描述出图片中内容的概况，还要经得起人类对图片各种细节的追问。比如，在一张撑着雨伞的人物图片中，说出伞是什么颜色的，有多少人在图中，附近有什么物品和建筑物等等信息。

视觉对话中AI可以从容应对人类提问（左为AI、右为人类）

竞赛结果显示，阿里AI以74.57%的准确率获得冠军，将上一届比赛的纪录提高了16.82%，并且超过微软AI的64.78%的准确率。而在相同的数据集中，人类的准确率仅为64.27%，AI甚至胜过了人类。

传统的视觉AI主要针对目标的检测和识别，但对复杂场景中目标之间的逻辑关系理解、推理能力较弱，无法回答表达图片对象直接关系的复杂问题，也难以将图片信息转化为人类理解的语言输出。

这意味着，要实现视觉对话能力，传统的视觉AI在学会“看图”之后，还要有一种语言模型来支撑它“说话”。阿里AI的突破就在于提出了“递归探索对话模型”。

视觉对话AI与用户交流图像内容

这一模型通过标注信息学习出模仿人类认知复杂场景的思维方式，能识别图片里的实体以及它们之间的关系，推理出图片所描述的事件内容，并通过对上下文进行有效建模，综合集成了图像识别、关系推理与自然语言理解三大能力，能理解人类提出的问题及真实意图，给出自然准确的回复。

视觉对话能力让AI迈上新台阶

AI能“看图说话”，这样的应用其实距离我们并不遥远，微软之前推出了一款年龄测试工具How-old.net ，曾经刷爆微博和朋友圈，所应用的就是这一技术的应用。

目前微软还开放了能“看图说话”的AI系统，用户进入官网上传图片，稍等一会，就能看到系统对于图片的描述。其准确率虽然不低但依旧有待提升，以一张曾经广为流传的黑人问号表情图片为例，AI很快给出了客观的回答：“我觉得这是篮球队员尼克杨露出牙齿微笑。”

AI视觉对话识别图片信息

以“看图说话”为代表的视觉对话是近年来快速崛起的AI研究方向，目的在于教会机器用自然语言与人类讨论视觉内容，这能够使机器拥有了对真实视觉世界的理解与推断能力，也意味着AI的认知能力将迈上新的台阶。

可以预见，这项技术未来将被应用在人机交互诸多场景：

在火灾、地震后在废墟中寻找幸存者的救援机器人，能够代替人类之眼，深入危险的现场，及时、高效地综合指挥指令和场景信息作出行动。

视觉对话技术有望人类提高地震救援效率

视障人士可以通过提问AI，理解图像中的内容，了解自身所处的周围环境，为其生活起居带来更多的便利。

无人驾驶车辆也可以在行驶中通过视觉对话，更加准确理解人类意图征询人类的意见，让乘客的乘坐体验更好。

正如《2001太空漫游》《流浪地球》等科幻大片中无障碍的人机对话系统所描绘的那样，拥有智能视觉对话能力的AI随着技术的不断突破，正在向我们走来。