談及計算機(jī)視覺領(lǐng)域的青年領(lǐng)袖，應(yīng)該沒有人比李飛飛更有代表性。作為斯坦福大學(xué)計算機(jī)系終身教授、GoogleCloud首席科學(xué)家，李飛飛已然引領(lǐng)著學(xué)術(shù)界和產(chǎn)業(yè)界密切結(jié)合的探索新方向；而其作為一位女性的角色，又讓她在人工智能多樣性的探索中有著自己嶄新且不同的視角。

在1月15日，未來論壇2017年會暨首屆未來科學(xué)大獎頒獎典禮上，李飛飛作為人工智能領(lǐng)域的代表，發(fā)表了題為《視覺智能探索（TheQuestforVisualIntelligent）》的主題演講。演講中，李飛飛從生物領(lǐng)域視覺的出現(xiàn)開始娓娓道來，進(jìn)而闡述了計算機(jī)視覺探索過程中的四大視角：從孩子成長、大腦發(fā)展、技術(shù)從業(yè)者、教育者和母親的角度，如何看待計算機(jī)視覺和人工智能。

演講的最后一個部分，李飛飛提出了這樣的問題：人工智能AI會改變世界，但這里真正的問題是，誰會改變AI？由此，她鼓勵人工智能多樣化的發(fā)展，讓更多人更多元的文化參與到相關(guān)研究和產(chǎn)業(yè)中來，這樣我們會看到技術(shù)發(fā)現(xiàn)上的大爆炸，使我們的世界變得更好。

以下內(nèi)容基于李飛飛演講（原演講為英文），在不改變原意的情況下部分有刪改：

今天我想跟大家分享一下計算機(jī)視覺方面最新的進(jìn)展。

大概5億年前，一些非常簡單的生物生活在海洋中，捕獲獵物、或者成為別人的食物。動物世界在當(dāng)時非常簡單，只有一些簡單的物種存在，后來可能是出于偶然或者“上帝之手”，某種生物衍化出了第一雙真正意義上的“眼睛”，這時的眼睛還很簡單，就像我們最初最簡單的照相機(jī)一樣。

視覺的出現(xiàn)讓生物世界大不一樣：生物物種變得更加有活力和積極，捕獵者可以自發(fā)進(jìn)攻，被捕獵的生物也會尋找更隱蔽的地方躲藏起來，避免自己成為它人的食物。

在很短的時間內(nèi)，生物物種數(shù)量以驚人的速度增加，這也是視覺發(fā)展的一個結(jié)果——寒武紀(jì)大爆發(fā)。寒武紀(jì)大爆發(fā)之后，視覺就在動物中發(fā)揮著非常重要的作用，幫助它們尋找食物、幫助它們躲避敵人等。作為人，我們也是一樣的，我們也用視覺支持我們的生活、我們的工作、我們的交流，讓我們更好地了解世界。

人類社會還處于“失明”狀態(tài)

事實上，在5億年的進(jìn)化之后，視覺已經(jīng)成了我們?nèi)俗钪匾母兄到y(tǒng)，我們的大腦中有一半的功能都是和視覺系統(tǒng)聯(lián)系在一起的，動物們大概在5.3億年前就看到了世界的光明，而對于我們的機(jī)器和計算機(jī)來說，整個世界還是黑暗一片。

盡管，目前到處都是監(jiān)控器，但是當(dāng)一個孩子在泳池溺水時，機(jī)器并不能提醒人類；目前每一分鐘我們都有成百上千萬小時的視頻上傳到Y(jié)ouTube或者Facebook的服務(wù)器上，但是我們?nèi)匀粺o法根據(jù)內(nèi)容進(jìn)行視頻搜索；現(xiàn)在無人機(jī)可以在非常廣的范圍航行，但我們還無法根據(jù)無人機(jī)拍攝的圖景標(biāo)記出地球環(huán)境?？偠灾?，人類社會還處于“失明”狀態(tài)，因為即便是最智能的機(jī)器，目前還沒有視覺能力。

一個小目標(biāo)：讓計算機(jī)視覺為數(shù)字世界帶來光明

作為計算機(jī)視覺的科學(xué)家，我們希望使用能夠?qū)W習(xí)視覺世界的人工智能算法來識別圖像和視頻，我們有這樣一個小目標(biāo)，讓計算機(jī)視覺為數(shù)字世界帶來光明。

為了實現(xiàn)這樣一個目標(biāo)，首先我們要教計算機(jī)識別物品，也即世界最基本的組成部分。簡單來說，給計算機(jī)看某個物品的訓(xùn)練圖片：比如說我們可以把一只貓放到電腦中去，讓它識別，然后我們會建立一些數(shù)學(xué)模型，人可以為貓寫出一組公式來，讓電腦識別它，這就是我們最初做的嘗試。

我們想要把一個物品的不同部分分離出來，然后用非常簡單的幾何模型，數(shù)字模型，模擬模型來做“catmodel”，很直接的把它變成一些圓形、三角形等，讓電腦更好識別出放在它面前的是什么樣的東西。

但是不同的貓在不同的圖片中都有所不同，所以是否每次都要重新設(shè)計一個模型，讓電腦能夠識別出不同姿勢的貓？為了讓不同的貓都能被計算機(jī)識別出來，我們需要設(shè)計無數(shù)的模型。所以很多年來我們都想找到一個非常神奇的數(shù)字模型，它能夠滿足不同的貓的變形體。

孩子學(xué)習(xí)的啟發(fā)：從大量數(shù)據(jù)中學(xué)習(xí)

八年前，一個很簡單但重要的事情然我的思維得到了非常大的改變，那就是從孩子學(xué)習(xí)的過程中得到了靈感，因為我們并沒有告訴一個孩子你要怎樣認(rèn)出一只貓，我們沒告訴他貓是這個樣子，哪里是三角形、圓形，他們只是靠經(jīng)驗學(xué)習(xí)。如果我們把孩子的眼睛看作一對最簡單的生物照相機(jī)，他們每秒鐘可以拍照5次，到3歲的時候，孩子們已經(jīng)看過了成百上千萬張世界各樣的照片。所以，在我們找到更好的算法之前，我們需要給計算機(jī)進(jìn)行像孩子們大腦發(fā)育時期一樣的訓(xùn)練，也即是給計算機(jī)比目前領(lǐng)域內(nèi)所使用得多得多的訓(xùn)練數(shù)據(jù)集。

我們花了很多時間來做這項研究。我和普林斯頓的同事一起在網(wǎng)絡(luò)上找到了很多圖片、很多數(shù)據(jù)，我們用了成百上千的圖片構(gòu)建這套系統(tǒng)。在三年的辛勤研究后，2009年我們終于做出了這樣一個體系，其中包括1500萬張圖片和22000個不同的單詞門類，都是我們?nèi)粘Ｒ姷降?，從?shù)量和質(zhì)量來說，這個系統(tǒng)在計算機(jī)視覺和機(jī)器學(xué)習(xí)方面都是前所未有的，我們也因此在解決計算機(jī)物體識別這個問題上，比以往任何時候都準(zhǔn)備充分。

從孩子的角度，我們獲取了寶貴的第一課，從大量數(shù)據(jù)中學(xué)習(xí)。

來自大腦的靈感：卷積神經(jīng)網(wǎng)絡(luò)

這一圖片庫提供的豐富資料也完美適配卷積神經(jīng)網(wǎng)絡(luò)，這是最初由70、80年代代科學(xué)家們開拓的一個領(lǐng)域，其靈感來自大腦。

就像我們的大腦一樣，卷積神經(jīng)網(wǎng)絡(luò)有成百上千個“類神經(jīng)元”單位互相連接在一起。

這是一個非常經(jīng)典的放在電腦上的神經(jīng)系統(tǒng)，它大概有2400萬個節(jié)點，1.4億個參數(shù)和150億個接口。

擁有這么龐大的信息的圖片庫，卷積神經(jīng)網(wǎng)絡(luò)算法以難以預(yù)料到的速度迅速發(fā)展了起來，也在物品識別上給我們帶來了一些非常振奮人心的結(jié)果。

電腦告訴我們這張照片里有一只貓，這個貓在那里；這邊是計算機(jī)告訴我們，小孩拿著他的泰迪熊。我們看到的物體都比較小，但電腦還是能夠識別出來。

截止到目前，我們都一直專注于教電腦怎樣識別物體，就像小孩學(xué)最簡單的單詞一樣，這只是第一步，小孩很快會進(jìn)入下一階段的發(fā)展，那就是用句子交流。

所以要教電腦看懂圖片，并且用一句話來描述它，我們其實需要用到神經(jīng)系統(tǒng)，并且把神經(jīng)系統(tǒng)推向一個高度，我們需要把視覺信息和文本信息結(jié)合起來，并且讓它生成出一句具有意義的句子。

又經(jīng)過一個階段的努力研究，大概是一年半以前，我們成為了第一批通過深度學(xué)習(xí)讓電腦在看到圖片后告訴我們一些信息的實驗室。

之后我們把圖片獲取的能力和視覺識別結(jié)合起來，我們發(fā)現(xiàn)針對一張圖片，計算機(jī)其實可以生成很多句不同的話，能夠提供給我們更多信息。這是我們最近的一項工作，大概是一年半之前出版發(fā)表的，電腦能夠在一幅畫中整理出非常多的句子。

我們也在近期提交了另外一篇論文，這篇論文中提到，計算機(jī)能夠用算法生成出完整的自然段。

得到大腦的啟發(fā)之后，我們發(fā)現(xiàn)深度學(xué)習(xí)的算法和公式能夠幫助我們做一些視覺方面的檢測，這是從人腦這個視角得到的啟發(fā)。

從技術(shù)從業(yè)者的視角：讓真實世界從中獲益

在神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)技術(shù)得到如此大的發(fā)展之后，我們也開始把焦點轉(zhuǎn)向其它一些視覺領(lǐng)域，比如視頻，我們在圖片識別中學(xué)習(xí)到的東西能否復(fù)制到視頻中去，能否讓真實世界從中獲益。

我的實驗室和谷歌的團(tuán)隊合作，把1百萬YouTube上500種運動相關(guān)的視頻都抓取出來，它們分別屬于不同的運動類別，我們希望有一天這樣的技術(shù)能夠幫助我們?nèi)ス芾?、索引和搜索大量的視頻和圖片，能夠在一個大數(shù)據(jù)的庫存中進(jìn)行圖片和視頻的搜索。

最近我們和Facebook進(jìn)行了合作，進(jìn)一步擴(kuò)展了我們工作的范圍，不僅僅能夠讓機(jī)器識別出視頻中運動的類型，而且可以看看單個隊員做了哪些事情。在NBA的籃球視頻中，機(jī)器可以追蹤每個隊員在重要事件中（的表現(xiàn)），譬如三分球，罰球，可以看到隊員在其中的表現(xiàn)。

我們拿了一些醫(yī)院的安檢視頻，通過深度傳感器的視頻來進(jìn)行分析應(yīng)用，通過這樣可以識別出人類的肢體活動，看看他們在環(huán)境下的行為是安全的還是危險的。

另外一項工作中，我們和歐洲一個火車站進(jìn)行了合作，將成百上千個傳感器安裝在公共空間，利用這些計算機(jī)的傳感器來追蹤每個乘客的行動，有非常多的乘客每天、每周、每年在火車站穿梭，通過這樣一種監(jiān)測可以幫助優(yōu)化火車站的空間，調(diào)整火車發(fā)車時段。

最近我們利用了深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)讓機(jī)器學(xué)習(xí)如何預(yù)測人類行為的軌跡，這項工作的有趣之處在于能夠把我們前邊所討論的問題結(jié)合在一起，這樣，算法不僅有IQ——可以識別出人，而且它也有EQ，有情商——可以預(yù)測人的社會行為，譬如說機(jī)器人的行為：機(jī)器人不應(yīng)該干擾人的行為，或者是機(jī)器人在空間行走時不能打破東西。

我們利用所有這些技術(shù)和現(xiàn)實中的情況進(jìn)行合作，現(xiàn)在我們和斯坦福醫(yī)院合作，部署相關(guān)技術(shù)，可以提高他們工作流程的績效、洗手的習(xí)慣，在老人的家庭中也可以對他們進(jìn)行類似的監(jiān)測。

從技術(shù)從業(yè)者的視角看到計算機(jī)視覺算法的發(fā)展，真的讓我感到特別興奮，它能夠幫助我們解決現(xiàn)實世界的問題。

這是一個技術(shù)從業(yè)者的視角。

從教育者和母親的視角：AI需要多樣化

5億年前，動物和視覺面臨的挑戰(zhàn)是存活下來，而現(xiàn)在機(jī)器視覺和AI所面臨的挑戰(zhàn)就是讓人類能夠繁榮，永遠(yuǎn)持續(xù)下去。作為技術(shù)從業(yè)者我們要問，AI是否會成為一種摧毀力？還是能給我們帶來更好的世界？

我一直在思考這個問題，已經(jīng)思考很久了，最近我突然頓悟，AI的世界是位于那些創(chuàng)造、開發(fā)和使用AI的人的手中。

人工智能AI會改變世界，但這里真正的問題是，誰會改變AI。

大家都知道，世界各地都是缺乏多樣性的，包括美國的硅谷，中國、歐洲，還有很多其它區(qū)域都缺乏多樣性，在美國學(xué)術(shù)界只有25%的計算機(jī)專業(yè)人士是女性，不到15%的美國領(lǐng)先工程學(xué)校的教職員工是女性，對于少數(shù)族裔來說，女性的代表就更少了，產(chǎn)業(yè)界也面臨著同樣的情況。這里不僅涉及到工作場所文化的問題，實際上這個問題也是經(jīng)濟(jì)和公共財產(chǎn)的問題。

幾個月前我受邀美國白宮討論了在AI中多樣性的必要性，我指出有三個理由使我們必須要提高AI的多樣性。

第一個就是涉及到經(jīng)濟(jì)和勞動力的原因：AI人工智能是一個日益增長的技術(shù)，會影響到每個人，我們需要更多人能開發(fā)出更好的技術(shù)；

第二個原因是涉及到創(chuàng)造力和創(chuàng)新：很多研究都顯示出，當(dāng)擁有多種多樣背景的人共同合作時，會產(chǎn)生更好的結(jié)果，會找到更具有創(chuàng)意的解決方案；

最后也是涉及到社會正義和道德價值的：當(dāng)各種各樣背景的人聚集到一起時，他們有著各種各樣不同的價值觀，代表著人類的技術(shù)也會有更加多樣性的思考。

視覺和智能的發(fā)展造成了動物品種多樣性在5億年前大爆炸式的增長，現(xiàn)在如果我們能夠讓更多的人參與到AI教育和研究當(dāng)中，我們可以鼓勵更多技術(shù)多樣化的發(fā)展，這樣我們會看到技術(shù)發(fā)現(xiàn)上的寒武紀(jì)大爆炸，會使我們的世界變得更好。

更多資訊請關(guān)注工業(yè)機(jī)器人頻道