文：汝晴，圖片來源：ICphoto
視覺智能，這門研究如何使機器 看 的科學(xué)，近年來隨著深度學(xué)習(xí)、大規(guī)模數(shù)據(jù)處理能力及云基礎(chǔ)設(shè)施的迅猛發(fā)展，逐步應(yīng)用到各行各業(yè)中，發(fā)揮著越來越大的作用。
近來，為了控制病毒的傳播，多地政府要求市民出入公共場所必須戴口罩。為了幫助工作人員防控疫情，阿里云緊急在 48 小時內(nèi)上線口罩檢測技術(shù)，該技術(shù)可以識別人員是否佩戴口罩，對機場、火車站、地鐵等公共場所的衛(wèi)生安全檢測和實時預(yù)警，大大緩解了人員壓力。該技術(shù)的快速推出得益于阿里云視覺智能開放平臺（以下簡稱： 開放平臺 ）所提供的原子能力。
開放平臺將阿里巴巴視覺智能技術(shù)實踐經(jīng)驗開放給視覺應(yīng)用的開發(fā)者與用戶，讓他們可以在阿里云視覺平臺上選擇相關(guān)能力，自行封裝產(chǎn)品、服務(wù)或者是解決方案滿足自身或者最終用戶的應(yīng)用需求。平臺由阿里巴巴集團技術(shù)委員會視覺技術(shù)小組和戰(zhàn)略合作部牽頭，達摩院聯(lián)合阿里云產(chǎn)品與解決方案管理部以及集團各個視覺技術(shù)團隊一起創(chuàng)建，于 2019 年 12 月，完成了公測上線。
該平臺也正在積極吸引更多的用戶，正與阿里云開放平臺、阿里云異構(gòu)計算、NVIDIA 聯(lián)合舉辦 AI 挑戰(zhàn)賽，讓用戶免費體驗視覺智能平臺相關(guān)能力。
就此，36 氪于近日專訪了阿里巴巴機器智能技術(shù)實驗室資深算法專家、阿里云視覺智能開放平臺負責(zé)人謝宣松（星瞳），和他聊了聊這一開放平臺的產(chǎn)品邏輯，以及達摩院在視覺智能技術(shù)的思考。
以下是對話（經(jīng)編輯）：
01.
談達摩院：既求先進，又務(wù)實
36 氪：作為阿里前沿技術(shù)探索的核心陣地，達摩院有著怎樣具體的定位？
謝宣松：2017 年，達摩院成立。成立初期，外界多認為達摩院可能只會做一些特別前沿、特別基礎(chǔ)、不那么落地的研究。但其實達摩院也有務(wù)實的一面，也一定程度遵從一個大的策略： 以市場為導(dǎo)向的，以產(chǎn)品為核心，以技術(shù)為基礎(chǔ) 。達摩院它不是一個孤立的個體，也是屬于阿里巴巴的一部分。阿里對達摩院也有兩方面的考慮，一是希望業(yè)務(wù)在達摩院技術(shù)加持下走得更快，相當于提升業(yè)務(wù)的一些核心競爭力。另外一個，是希望達摩院的本身能夠走得更遠，主要體現(xiàn)其愿景實現(xiàn)和基礎(chǔ)技術(shù)競爭力的優(yōu)勢建設(shè)上。
達摩院在阿里體系中還是有它獨特的定位。研發(fā)上，達摩院既會做一些影響力更深遠的事情，也能做業(yè)務(wù)落地支持型的產(chǎn)品。現(xiàn)在，達摩院也越來越強調(diào)和其他部門的聯(lián)合作戰(zhàn)。達摩院會更關(guān)注做 深的能力 ，即做到極致效果、有影響力的事；同時又會做 寬的能力 ，即在各行各業(yè)做出更多案例�？偟膩碚f，達摩院既要為阿里云提供技術(shù)加持，也要做好阿里集團內(nèi)部系統(tǒng)基礎(chǔ)性的工作。
36 氪：達摩院推出這一開放平臺的目的是什么？
謝宣松：首先整個阿里巴巴集團有上千名開發(fā)人員圍繞著視覺技術(shù)在電子商務(wù)、城市大腦、金融支付、交通物流、通信會議、新零售、文娛等多個行業(yè)的應(yīng)用需求，對外貢獻了許多產(chǎn)品和解決方案，這其中沉淀了諸多視覺基礎(chǔ) 原子能力 ，即底層能力。同時，阿里巴巴的許多內(nèi)部業(yè)務(wù)，如淘寶、天貓、支付寶、優(yōu)酷等諸多明星產(chǎn)品都有視覺能力在背后的支持有著海量的用戶規(guī)模，對這些視覺智能技術(shù)能力進行了千錘百煉。
但此前阿里云沒有一個統(tǒng)一的入口和品牌，將這些基礎(chǔ)能力統(tǒng)一集合起來。于是，我們便決定建立一個平臺。
這個平臺首先是一個視覺智能核心零部件的供給庫。這些零件有自營的，即阿里巴巴團隊自己研發(fā)的；也有第三方供應(yīng)商的，即生態(tài)伙伴或者其他相關(guān)人士提供的。其次，開放平臺也是一個效率工具，有著大量的場景案例，可以幫助開發(fā)人員更高效開發(fā)落地產(chǎn)品。開放平臺是雙向的，內(nèi)部和外部都可以使用，對外主要面向視覺智能技術(shù)的開發(fā)與應(yīng)用用戶，為其提供好用、易用、普惠的視覺智能 API 服務(wù)，幫助企業(yè)、開發(fā)者快速建立視覺智能技術(shù)的應(yīng)用能力。
總結(jié)起來，該平臺有這么幾個特點：一是專業(yè)，達摩院科學(xué)家及集團專業(yè)工程師加持；二是實用，上線的視覺技術(shù)是通過阿里巴巴海量場景和最佳案例檢驗的；三是全面，平臺集合了規(guī)�；⒍鄻踊�、場景化的視覺 AI 能力，為開發(fā)者和用戶提供一站式能力選擇；四是易用，依托阿里云智能堅實的基礎(chǔ)設(shè)施服務(wù)，提供普惠易用標準的 AI 能力，用起來省心省力。即有硬實力，又有軟實力。
36 氪：開放平臺中集成了哪些類型原子能力？這樣的分類基于怎樣的邏輯？
謝宣松：開放平臺將圍繞以多個視覺智能的主要類目不斷為用戶提供多種視覺 AI 原子能力，包括：圖像識別、文字識別、視頻理解等多種視覺基礎(chǔ)技術(shù)。
主要是從三個維度去分：一是業(yè)務(wù)維度，比如一些剛需場景，包括文字識別、商品理解、內(nèi)容審核等；二是從技術(shù)角度分，比如識別類、檢測類、分割類、增強生產(chǎn)類，這些主要針對一些通用場景；三是針對特定的長尾場景。
36 氪：開放平臺如何收費？
謝宣松：這就要說到我們產(chǎn)品普惠化的特點，在目前已經(jīng)公開的產(chǎn)品中，我們采取了一些免費的策略。這些免費策略根據(jù)輸出的 能力 的不同而不同，比如有的是根據(jù)用量，有的按 QPS 多少，這些我們都給予一定程度上的免費額度，基本能滿足一些要求不高的用戶。
但 AI 既要做普惠，也要考慮商業(yè)化盈利策略，這樣才能讓平臺能夠持久運營下去。這就要求我們有合理的商業(yè)化策略，也就是找到普惠和商業(yè)化之間的平衡點。好在平臺上的原子能力是多樣化的，所以這個平臺也能有比較融合和多樣化的商業(yè)策略，這也是我們正在探索的。
02.
談 AI：跨媒體、跨技術(shù)的應(yīng)用是值得關(guān)注的新方向
36 氪：您提到了普惠 AI，您怎么定義？
謝宣松：首先普惠的話并不是等于免費，這是兩個不同的概念，當然免費可能是符合普惠的一個特點。主要可以從幾個維度來看，第一是用戶進入使用 AI 的成本門檻降低；二是用戶使用感受是省時、省力、易用的；三是使用 AI 獲得的收益相對付出的成本來說更高。
36 氪：1 月初，達摩院發(fā)布了 2020 年十大技術(shù)趨勢的預(yù)測，第一條是 人工智能從感知智能向認知智能演進 。視覺智能要從感知智能走向認知智能有哪些需要突破的點？
謝宣松：我想從感知到認知的變化，不是一個簡單的更進一步，有著豐富的涵義：
一是從理解到思考的能力；目前的 AI 在識別理解世界上做得比較多，但是下一步的聯(lián)想推理、生產(chǎn)輸出怎么做，就做得比較少，而這些正是認知智能需要具備的。
二是從數(shù)據(jù)到知識的能力；因為現(xiàn)在感知層面的模型，更多的是數(shù)據(jù)在不同維度空間的映射，但是數(shù)據(jù)之間關(guān)聯(lián)、推理依據(jù)和模型本身的可解釋性都不是那么成熟。
三是成本和落地的能力；目前的 AI 大多時候都是強數(shù)據(jù)驅(qū)動，不同功能、不同場景所需要數(shù)據(jù)不一樣，就需要再次進行大量數(shù)據(jù)處理，在少樣本學(xué)習(xí)、能力遷移、跨域應(yīng)用上，沒有辦法做到低成本和泛化，因而很難做到快速推廣落地。
36 氪：視覺智能要從感知智能走向認知智能有哪些需要突破的點？
謝宣松：而視覺智能要從感知到認知這個角度來看，我覺得至少要做三件事：
一是視覺算法本身的突破，以前的大部分的視覺智能的算法是識別分類算法方面做得比較好，要向認知智能演進，可能需要在決策推理、生成強化等技術(shù)要點進行突破，來拓展機器自主變化和輸出決策的能力。
二是橫向技術(shù)的打通；到認知智能層面，知識是非常重要的要素，AI 在具體細分行業(yè)的應(yīng)用落地將會更加深入，如何將細分場景的數(shù)據(jù)抽象成知識，知識又如何抽象形成框架性的東西都是需要進一步攻克的。此外，視覺、NLP、圖譜等技術(shù)的橫向拉通，對于認知智能的形成也非常重要，這里的 NLP 不是專指人的自然語言，更多的是指機器能夠理解的知識邏輯，也許可以叫 MLP。
三是工程系統(tǒng)能力的增強；深度學(xué)習(xí)之所以可以在目前階段實現(xiàn)大規(guī)模的落地，是因為算力、數(shù)據(jù)以及工程化都已經(jīng)達到可控可用的狀態(tài)。同理，從感知演進認知，同樣的工程系統(tǒng)和效率工具也需要向前演進，比如大規(guī)模的圖計算工程框架，否則認知智能的規(guī)�；涞厥强照�。
36 氪：您認為哪些細分場景和方向可能會更早實現(xiàn)計算機視覺的認知智能落地？謝宣松：我不好做具體的預(yù)測。但是，可以按照一定的邏輯進行分析。一般來說，能夠在實際落地當中，特別好或者特別快地解決矛盾的方案和方向，會發(fā)展得更快一些。比方說從 數(shù)據(jù)、算法、算力 這經(jīng)典的三要素來看落地，首先，當一個行業(yè)它的數(shù)字化程度高時，數(shù)據(jù)體系也會相對完善；其次，在算法層面來說，視覺智能起到的是核心作用；最后，這一場景智能驅(qū)動力特別強，有創(chuàng)新的機會且能賺錢，有足夠的資源投入。能同時滿足以上三點的條件的行業(yè)機會更大。
36 氪：在視覺智能領(lǐng)域，有哪些值得關(guān)注的新方向？
謝宣松：不難發(fā)現(xiàn)，大部分視覺智能團隊做的都是識別檢測相關(guān)的事情，這很合乎邏輯，因為人也是先認識理解世界，才談得上生產(chǎn)改造世界。但是，還有一些跨領(lǐng)域、跨媒體、跨技術(shù)的非純粹理解方向的技術(shù)應(yīng)用成熟度還不那么高，比如說生產(chǎn)類、增強類的視覺智能， 2D 和 3D 融合、全 3D 圖像、圖形學(xué)和視覺算法相融合、從靜態(tài)到動態(tài)的技術(shù)。
從人本身的角度來進一步抽象一下，視覺技術(shù)發(fā)展方向也有脈絡(luò)可循：一是維度上從低維到高維（2D 到 2D+T 再到 3D 再到 3D+T），二是從離人近的到離人遠的（如到文字商品再到自然萬物），三是從粗到細（比如整體識別到定位再到精細識別），四是從理解到生成，五是從自然圖到抽象圖，最后是，核心行業(yè)應(yīng)用到各行各業(yè)。
拿具體的例子來說，比如 2019 年突然 火 了的換臉軟件、數(shù)字虛擬人像、2D 圖像生成 3D 模型、自動服裝設(shè)計等就用到了 2D 和 3D 融合、從靜態(tài)圖像到動態(tài)畫面等技術(shù)。盡管這些技術(shù)目前應(yīng)用的并不是成熟，但卻是未來數(shù)字世界與現(xiàn)實世界進一步交互，不可缺少的重要技術(shù)。
我們正在做一個智能服裝設(shè)計產(chǎn)品就可以很好地詮釋這一趨勢。它背后技術(shù)路線就是，將現(xiàn)在海量 2D 圖像信息，用技術(shù)手段變成 3D 的東西。然后在生成 3D 后再繼續(xù)生成各種各樣的拓展。比如，再利用物理模擬手段，把這些服裝放到一個數(shù)字人身上，然后去展現(xiàn)衣服真實的物理質(zhì)感等，視覺上很難去感覺出區(qū)別了。進而，虛擬的衣服可以進一步用于數(shù)字化營銷的廣告、虛擬數(shù)字秀場等，而且這一虛擬的 3D 衣服還能回到生產(chǎn)線上，由虛擬走向物理世界。
另外，隨著其它基礎(chǔ)設(shè)施或者環(huán)境的變換，也會帶一些新的方向，比如 5G，比如當前新冠肺炎引發(fā)的在線辦公和教育行業(yè)，這些就不細述了。
