近日，******強調(diào)人工智能具有溢出帶動性很強的“頭雁”效應(yīng)，必須把增強原創(chuàng)能力作為重點，夯實新一代人工智能發(fā)展的基礎(chǔ)。這把原本就火熱的人工智能推向新的高潮，也可以看到發(fā)展人工智能原創(chuàng)技術(shù)的重要性。

“堅持原創(chuàng)，讓AI引領(lǐng)人類進(jìn)步”是商湯科技的使命。11月8日，在“2018中國AI開發(fā)者大會（AINEXTCon）”上，商湯科技副總裁、工程院院長沈徽發(fā)表了主題為“創(chuàng)新極限賦能百業(yè)——商湯智能視覺的產(chǎn)業(yè)化落地”的演講。

沈徽認(rèn)為，人工智能特別是計算機視覺技術(shù)不是一個單點上的突破，如果我們要真正把它做好，是整個技術(shù)平臺性的提升。當(dāng)AI跟越來越多的場景結(jié)合之后，能夠獲得新的需求，這些需求點會成為技術(shù)提升的輸入和數(shù)據(jù)。從實踐中來到實踐中去，AI產(chǎn)業(yè)不斷發(fā)揚光大。

如下是商湯君整理的沈徽演講內(nèi)容：

很高興能夠有機會和大家分享商湯科技在智能視覺方面的進(jìn)展和落地應(yīng)用方面的實踐。

首先講下大背景，人類社會的演進(jìn)背后都有技術(shù)在推進(jìn)，如青銅器的出現(xiàn)讓農(nóng)業(yè)有了較大發(fā)展。

過去幾年，由于深度學(xué)習(xí)技術(shù)突破所帶來的AI領(lǐng)域革命性的突破，對社會影響非常深遠(yuǎn)。往次的技術(shù)革命，技術(shù)延展了我們的手和腳，增強了我們的肌肉。而AI則延展了我們的大腦，使人類能夠更加敏銳，AI技術(shù)進(jìn)步對人類社會的影響和文化影響都是非常深遠(yuǎn)的，大家應(yīng)該感到非常激動，因為我們正處在這樣一個時代的開始。

人工智能從技術(shù)領(lǐng)域來說是個很泛的技術(shù)，人能做計算機不能做的我們都認(rèn)為是智能。人工智能的技術(shù)路線有很多模塊，基于統(tǒng)計思路的機器學(xué)習(xí)是人工智能里很重要的技術(shù)方向，經(jīng)歷了三次浪潮，1957年感知器，1986年神經(jīng)網(wǎng)絡(luò)，以及近些年基于深度學(xué)習(xí)技術(shù)所帶來的AI感知層面的突破。我們現(xiàn)在處在第三次浪潮中，2010、2011年由深度學(xué)習(xí)真正實用化開始為代表的一次浪潮。

計算機視覺處在一個超越大眾的階段

什么是機器學(xué)習(xí)？輸入x輸出y，假設(shè)y滿足一定規(guī)律，機器學(xué)習(xí)就能找出f，能更好的擬合概率分布。第一類是物體識別，是貓還是狗，還有一種應(yīng)用是低分辨率圖像變成高分辨率圖像。在機器學(xué)習(xí)里面擬合f有多種不同的技術(shù)，神經(jīng)網(wǎng)絡(luò)是中間技術(shù)的一種，神經(jīng)網(wǎng)絡(luò)由多個神經(jīng)元以及之間互相連接形成的一個網(wǎng)絡(luò)，如果看到每個神經(jīng)元都有一個或者多個輸入通常一個輸出，一個輸出可能連接到多個神經(jīng)元的輸入里，在神經(jīng)網(wǎng)絡(luò)里每個神經(jīng)元都要找到相應(yīng)的位置，得出一個輸出函數(shù)。

我們看神經(jīng)網(wǎng)絡(luò)的時候，X1、X2、X3這些輸入叫做特征，特征在深度學(xué)習(xí)出現(xiàn)之前大量都是人手工把它做出來的，人根據(jù)自己的經(jīng)驗、自己的技術(shù)把現(xiàn)實世界中的數(shù)據(jù)轉(zhuǎn)化成可以被神經(jīng)網(wǎng)絡(luò)消費的特征。

我們在很大程度上不需要人工做特征的識別，而是可以用神經(jīng)網(wǎng)絡(luò)把這樣的特征學(xué)出來，這是深度學(xué)習(xí)網(wǎng)絡(luò)帶來的很重要的突破，它的應(yīng)用會變得更加普適，因為不需要針對每個場景做特征指令級，我們可以把算力變成真正的智能，這樣一個通路就打開了。

我想很客觀的評價一下我們現(xiàn)在處在什么階段，技術(shù)必須要到一定程度才能真正轉(zhuǎn)化為生產(chǎn)力，否則之前更多的是研究的狀態(tài)。第一階段往往技不如人，五年前的人臉識別、語音識別和人的差距還很大，從錯誤率來看大概幾倍甚至幾十倍的差距。第二階段是我們真正能達(dá)到甚至超越普通人的水準(zhǔn)。第三階段是超越專家，AlphaGo在圍棋這個領(lǐng)域超越了專家。

計算機視覺現(xiàn)在大概還處在第二階段，處在一個超越大眾的階段。一方面，在一些細(xì)分領(lǐng)域定義的很清楚，我們用深度學(xué)習(xí)的辦法有足夠的數(shù)據(jù)能夠做得非常好，超越人類；另一方面，它的普適性還有很大的欠缺，包括對數(shù)據(jù)的依賴沒有達(dá)到人工智能需要的量。在這個階段，AI已經(jīng)變成一個非常可用的東西了。

下面我分三方面介紹一下商湯所做的事，從技術(shù)與平臺、產(chǎn)品和行業(yè)解決方案三個角度進(jìn)行介紹。

技術(shù)與平臺

深度學(xué)習(xí)最重要的三個點，第一是算法模型，第二是數(shù)據(jù)，第三是算力。

商湯在三年前構(gòu)建的DNN（深層神經(jīng)網(wǎng)絡(luò)），有1200多層，在ImageNet上第一次贏得世界冠軍。

再講一下商湯的深度學(xué)習(xí)平臺SenseParrots。大家知道AI領(lǐng)域有各種各樣的開源平臺，商湯為什么要建立自己的SenseParrots平臺？因為商湯的數(shù)據(jù)資源處于世界領(lǐng)先地位，如果想取得不斷的突破必須要很好的工具，這個訓(xùn)練平臺是非常重要的工具，而領(lǐng)先的工具很難從開源平臺獲取，很多時候想真正滿足用戶的需求不是一個網(wǎng)絡(luò)模型就能解決問題，我們需要能夠在這樣的平臺上構(gòu)建完整的網(wǎng)絡(luò)，這是構(gòu)建這個平臺的原因。商湯內(nèi)部大量的研發(fā)工作都在這個平臺上完成，未來我們也會向合作伙伴輸出這樣的能力。

算力方面，今年商湯會擁有超過14000塊GPU，體現(xiàn)了旺盛的需求，商湯在超過18個行業(yè)有各種各樣的落地場景，在這些行業(yè)里必然有各種各樣不同的基于計算機視覺的需求，所以造成對算力巨大的渴望。我們一方面把我們算力的總量提升，另一方面把算力的效率提高。

第三是數(shù)據(jù)，我們有海量可以用來訓(xùn)練的數(shù)據(jù)，涵蓋超過18個行業(yè)，人臉只是當(dāng)中的一小部分。

產(chǎn)品和行業(yè)解決方案

接下來講一下應(yīng)用。

這是基于商湯AR引擎的應(yīng)用，把王者榮耀里的虛擬化人物放到真實的場景中，它不是簡單的疊加，必須要對物理環(huán)境有3D感知，這樣才能真正把虛擬人物非常自然的放在里邊。手機雙攝頭可以獲取場景的3D信息，借此我們重構(gòu)出一個3D的場景，用六自由度實時跟蹤技術(shù)，確定很多場景的關(guān)鍵點，根據(jù)這些關(guān)鍵點之間的關(guān)系以及變化，對虛擬物體做3D的構(gòu)建，進(jìn)而產(chǎn)生這種自然的效果。

商湯的SenseAR技術(shù)在兩年前，就已廣泛應(yīng)用于各類短視頻、直播等用戶原創(chuàng)內(nèi)容（UGC）視頻平臺中。我們利用人臉關(guān)鍵點技術(shù)，用計算機理解人臉。左邊第一張圖在方框里綠色的點標(biāo)出了五官的位置，這樣就很容易做出好玩的AR效果，這就是關(guān)鍵點技術(shù)實現(xiàn)的。

自動駕駛中的視覺感知，左邊是行駛區(qū)域的檢測和車道線檢測，右邊是在這個基礎(chǔ)上對信號燈的檢測和路邊物體的檢測，這些都是用智能視覺技術(shù)對環(huán)境做感知。除了感知道路也能感知車輛，更重要的是能夠感知運動方向并做出相應(yīng)的預(yù)測。

我們當(dāng)時發(fā)了一篇關(guān)于在復(fù)雜情況下車道線檢測算法的Paper，除了用程序視覺技術(shù)對環(huán)境做理解之外，我們還把視覺技術(shù)和結(jié)構(gòu)化技術(shù)做結(jié)合，使我們對遮擋或視覺不清情況下的車道線恢復(fù)能起到很好的效果，中間用傳統(tǒng)CNN做，很多車道線不是特別清晰，右邊做了一個解析，效果好了很多。這個創(chuàng)新告訴我們當(dāng)做AI技術(shù)或深度學(xué)習(xí)技術(shù)時一定不要限制在窄的范圍內(nèi)。

這是DMS中的視覺感知，是用于智慧車艙的技術(shù)，可以對大貨車、出租車司機進(jìn)行檢測和監(jiān)控，看他是不是注意力集中，有沒有危險動作，有沒有疲勞等等，這是多種視覺技術(shù)的結(jié)合。第一張圖是注意力，注意力是如何檢測的呢？我們看他視線的方向，在DMS中做視覺跟蹤，我們做眼球檢測，計算出注意力的方向進(jìn)而做一個預(yù)估，可以達(dá)到非常高的精度。

下面講一下智能視覺賦能城市大腦，舉一個用于尋人的真實案例：今年初南方某地公安局使用我們的技術(shù)在三小時之內(nèi)就找到了一位走失三天、患阿爾茨海默癥的老人。

我們不光看人臉，還看很多其他信息，比如一個交通路口，信息和道路狀況結(jié)合之后可以做自動交通管控。很多時候大家會說這個就是去識別和做一些檢索，但是當(dāng)數(shù)據(jù)量級很大的時候就很難做了，為此我們構(gòu)建了SenseFoundry方舟城市級視覺開放平臺，同時做實時檢測、實時跟蹤和實時分析，這在北上廣深等大城市中已經(jīng)應(yīng)用了。

它一方面要有系統(tǒng)的提升，另一方面要有算法的提升。如果想從十個人里識別一個人，和一千萬人里識別一個人，對算法的要求是完全不一樣的。我們?nèi)四樧R別的技術(shù)在不斷提升，包括采用增量學(xué)習(xí)的技術(shù)，對不同環(huán)境高容忍度、高普適性的技術(shù)。在此之上我們做了人臉和人體的聯(lián)合搜索，大量的環(huán)境下很難捕捉到一個完整的人臉，這個時候人臉、人體再加上其他信息去做聯(lián)合搜索能大大提高搜索的準(zhǔn)確度。

去年蘋果第一次在手機上推出了3D人臉解鎖，但對人臉解鎖的研究商湯早就進(jìn)行了。和iPhone不一樣，我們要想在安卓系統(tǒng)上為多家廠商提供人臉解鎖的能力，我們需要有一定的算法優(yōu)化。人臉解鎖不單單是簡單的臉和臉的比對，很重要的是活體檢測和注意力檢測，不能拿一張照片就給手機解鎖，別人不能在你睡覺的時候拿著你的臉給手機解鎖。人臉解鎖雖然已經(jīng)實現(xiàn)了一個功能但是它在不斷迭代，單純用人臉解鎖手機時，準(zhǔn)確率可能需要達(dá)到10的負(fù)4次方量級，相當(dāng)于4位密碼，但當(dāng)你要做支付、認(rèn)證等和金融相關(guān)的應(yīng)用時就需要有10的負(fù)6次方，甚至負(fù)8次方量級才能達(dá)到要求，我們現(xiàn)在已經(jīng)超過了10的負(fù)8次方。

活體檢測方面，進(jìn)攻方會想出各種各樣的辦法用人臉攻擊識別系統(tǒng)，識別系統(tǒng)不斷發(fā)現(xiàn)潛在漏洞，避免系統(tǒng)性的活體檢測失誤。商湯有一個專門的團隊每天的任務(wù)就是想著怎么把活體檢測的系統(tǒng)突破掉，這里有幾個簡單的攻擊手段，包括紙質(zhì)照片、面具、三維面具和視頻等，我們一方面不斷尋找新的方式做攻擊，同時做防守。

這是人臉3D重建，拿著一個手機的前攝從五個角度拍到人臉，當(dāng)拍到五張照片之后用五個方向的人臉做一個3D的重建。

下面看一些其他產(chǎn)品。想必大家已經(jīng)在一些小區(qū)、大樓看到刷臉進(jìn)門，從以前刷卡按指紋變成了刷臉。當(dāng)人在運動當(dāng)中走過一個閘門時，我們希望以最快的速度檢測到人臉，并用最快的速度判定應(yīng)該開門還是關(guān)門。大家可以想象隨著人步入通道臉的大小不斷變化，怎樣能獲取更高精度的檢測？最簡單的是把圖片按照不同的大小進(jìn)行分割，但這樣算法效率非常低，99%的計算都是無用的計算，我們是在模型里做一些優(yōu)化，能大大提高效率，訓(xùn)練的時候精度提升會變得更快。

這是一些數(shù)據(jù)，右上角的表用不同的技術(shù)把它疊加在一起，包括精度和速度提升，我們可以通過不同的硬件做選型。

此外，刷臉技術(shù)還用于很多不同的場景，包括身份驗證、門禁、閘機等等。商湯是通過刷臉進(jìn)辦公室的，今年北京航空航天大學(xué)9月份新生入學(xué)時，也用了商湯SenseHello刷臉系統(tǒng)做注冊。

剛才說的技術(shù)產(chǎn)品都是由內(nèi)向外的，行業(yè)解決方案是因為大量客戶很多時候并不在乎用什么技術(shù)，更在乎能幫助他解決什么問題，我們要提供解決方案，這樣才能把他的精力從痛點移開，進(jìn)而去關(guān)注他的業(yè)務(wù)。

今年九月，在上海召開的世界人工智能大會上，我們在人工智能大會現(xiàn)場的黃浦江西岸做了智慧公共空間管理系統(tǒng)，融合了多種感知技術(shù)，用視覺技術(shù)和IOT技術(shù)做觀察、理解、預(yù)判和行動形成一個管理閉環(huán)。只有提供這樣的完整解決方案客戶才能夠?qū)崒嵲谠诟惺艿剿膬r值。

AI必須要跟行業(yè)結(jié)合才能產(chǎn)生價值

介紹了這么多產(chǎn)品和技術(shù)落地的事情，我想談的是人工智能特別是計算機視覺技術(shù)不是一個單點上的突破，如果我們要真正的把它做好，它是整個技術(shù)平臺性的提升，也是商湯在過去多年不斷積累，在各個行業(yè)尋求問題，構(gòu)建研究能力和技術(shù)上的突破。

AI技術(shù)本身是不能產(chǎn)生價值的，必須要跟行業(yè)結(jié)合，跟實際場景結(jié)合。當(dāng)AI技術(shù)跟越來越多場景結(jié)合之后，一方面能夠提供價值，另一方面能夠獲得新的需求，這些需求點會成為技術(shù)提升的輸入和數(shù)據(jù)，從實踐中來到實踐中去，AI產(chǎn)業(yè)不斷發(fā)揚光大，真正拓展我們的腦力和感知能力，使社會生產(chǎn)力進(jìn)步。我覺得每一位都可以加入到AI系統(tǒng)里面來，擁抱AI，從中獲取能更好地解決現(xiàn)在問題的方案，把社會帶到一個新的高度，謝謝大家。