阿里巴巴 AI 「看圖回答」 測驗擊敗微軟、臉書、特斯拉，準確率還首次超越人類！
陳宜伶
2021-08-25
看圖回答問題是人類生活及溝通的基本條件，但是對 AI 來說卻是一項高難度任務。
阿里巴巴達摩學院打造出來的 AI 語言模型 AliceMind，幾天前首度打破圖像問答（VQA）世界紀錄，答題準確率甚至超越人類基準，並且擊敗同樣有參加挑戰的微軟、FB 隊伍，象徵達摩學院的人工智慧技術邁出關鍵一步。
VQA 挑戰是什麼？
圖像問答（Visual Question Answering）挑戰的緣起，是因為國際電腦視覺與技術辨識大會 （Conference on Computer Vision and Pattern Recognition，CVPR）希望鼓勵企業攻克 AI 多模態機器學習（MultiModal Machine Learning）的難題，因此從 2015 年開辦 VQA 挑戰賽，吸引來自世界各地的網路企業、科研單位參賽。
今年的 VQA 挑戰賽和往年一樣，題庫包含了超過 25 萬張真實照片，總共有 110 萬道題目。這些題目會考驗 AI 是否能辨別圖像，比如說在一張人群的照片中算出有幾個兒童、或是在圖片中辨認出書桌上的車鑰匙，進而推測房間主人是有車的。
VQA 技術已經被廣泛導入阿里巴巴平台，像是它的 AI 客服機器人「小蜜」（Alime）就已經被淘寶、天貓商家等電商平台採用。消費者輸入問題後，AI 客服會根據商品資訊和顧客問題給出答案。
另一方面，VQA 技術不僅能運用在電商，還可用於醫學圖像辨識，以及電動車的智慧駕駛分析。
阿里巴巴的 AI 模型為何成績能夠超越人類？
這幾年人工智慧（AI）逐漸滲透到各行業，也推動更多科技革命，AI 技術逐漸成為企業數位轉型、對抗疫情，並讓經濟重返正軌的重要力量。
由阿里巴巴達摩學院打造的 AI 深度語言模型系統 AliceMind 在這次的 VQA 測驗中，答題準確率拿到 81.26%，首次超越了人類答題的準確率 80.83% ，更讓馬雲投資的達摩學院在 AI 發展上取得重大進展。
AliceMind 採用了多種專有技術，包括多樣化的視覺表示（diverse visual representations）、「多模態」預訓練語言模型（multimodal pretrained language models）、「跨模態」語義融合和對齊技術（ adaptive cross-modal semantic fusion and alignment technology）。這些技術不僅可以讓阿里巴巴的 AI 理解問題並分析圖像，還可以讓 AI 用近似人類的語感回答問題。
阿里巴巴達摩院自然語言處理（NLP）負責人 Si Luo 表示：「這代表我們在『機器學習』領域又取得了一個重要里程碑，AliceMind 在視覺與文本的『多模態』理解及推理上，測試分數媲美人類認知水準，彰顯了我們研發 AI 的努力成效。」
打造出這款 AI 模型的達摩學院是什麼來歷？
2017 年，馬雲認為阿里巴巴應該要把眼光放遠，致力解決未來世界經濟、社會等問題，在此願景下成立了研究單位「達摩學院」（ DAMO Academy），號稱要在 3 年投入超過 1000 億人民幣，將重點放在基礎科學和顛覆式技術創新研究上。
Si Luo 表示，人工智慧分為運算智慧、感知智慧、認知智慧及創造智慧 4 個層次。這次 AliceMind 參與的 VQA 測試內容屬於認知智慧部份。
負責人也補充說，這不代表有一天我們會被機器人取代，反而這些智慧機器可以用來輔助我們的日常工作和生活，因此人們可以很專注在他們擅長的創作上。
資料來源：https://buzzorange.com/techorange/2021/08/25/vqa-ai-alibaba/
ai辨識測驗 在 [閒聊] AI真人辨識測驗結果出爐- 看板DSLR - 批踢踢實業坊 的推薦與評價
怕有人沒做過測驗，
先丟測驗防雷。
【AI真人辨識測驗】
https://forms.gle/NNHfxapTmPAUR65M8
※2023/3/2更新
友善提醒，有Coser反應自己不願意被放入測驗中，
目前已把所有Coser照片撤換成線上藝人照片。
先前有轉發他們圖片的人或媒體自己留意一下。
－－－－
先感謝拍片LINE社群的群友，
以及DSLR的板友們。
沒有你們的幫助，
分享、轉發、宣傳這份測驗，
我們不會知道人類的眼睛有多差。
在此再宣傳一下拍片LINE社群，
歡迎對拍片剪片有興趣的板友加入，
放心，不咬人的。
那就直接來看結果吧。
中位數落在10分，
就像我上篇文章說的，
我是支持「分不出來」的那一派，
所以這結果我很滿意。
題外話是樣本數只有1萬的時候，
中位數其實是12分。
看來我們的同溫層(攝影師們)，
眼睛還是比較銳利......
不是，你們就不能好好欣賞美女就好嗎？
再來是社群群友關心的「都錯哪些題目」，
以下是錯誤率由低到高的排名。
（因Coser反應不願意被放入測驗，
目前皆已把Coser照片換成線上藝人。）
最訝異的應該是第1名，
因為這是我誤放的、
有嚴重破綻的照片－－外星語。
我猜是因為大部分人還不清楚，
AI製圖目前還不會寫字。
所以當出現文字的時候，
「是不是AI」就變得容易分辨。
（除非他進PS把字修正）
我比較滿意的彩蛋應該是第4名，
因為我很想知道，
在圖片有嚴重破綻的前題下(手指)，
人們看到熟悉的場景，
會不會下意識地選錯。
另一個很喜歡的彩蛋是黃捷的Cos照，
雖然仍然有10%左右的人答錯，
看來是可愛到有人以為是AI。
......我就捷粉。
最後想特別回個很多網友提出的疑問：
「照片修了圖還叫『Real Photo』嗎？」
我最初做這份測驗時，
想模擬的是我們滑社群看到圖片的直覺。
既然是社群，那當然幾乎是有修圖的照片。
現今連證件照都有所謂的「韓式」，
所以在目前來講，
修圖應該還可以叫「Real Photo」吧。
至於未來若是能把模型捏成自己的臉，
那花時間製作出來、跟我本人很像的圖，
到底要算AI圖、還是真人圖？......
這就留給未來的大家去定義了。
對了，還有一些板友&網友提到，
AI生成的圖比較容易直挺挺地看著鏡頭；
AI生成的圖胸部與臉的比例比修圖正常；
AI生成的圖背景比較容易產生歪斜扭曲......
這些在目前來說，
其實都是可以被克服的問題。
Twitter上不乏完美的背景、
誇張的胸臉比例、
眼神與姿勢不直挺挺盯著鏡頭的圖。
（圖源：Twitter @AI_Angels_）
只是那些AI圖都太紅，
紅到新聞都有報，
我怕放進測驗直接被考古。
但話又說回來，
當初會搞這個測驗，
也只是覺得這現象很有趣而已。
所以不用因為它的到來感到緊張，
它創造出的工作機會，
絕對比它影響到的生計來得多。
我倒是很期待AI未來的發展。
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 123.193.60.194 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/DSLR/M.1677578722.A.960.html
... <看更多>