首次超越人类！读图会意这件事，AI比你眼睛更毒辣达摩院

　　金磊 发自 凹非寺
　　量子位 报道 | 公众号 QbitAI
　　在超越人类 这件事上，AI 又拿下一分。
　　就在最近，国际权威机器视觉问答榜单VQA Leaderboard ，更新了一项数据：
　　AI在＂读图会意＂任务中，准确率达到了 81.26% 。
　　要知道，我们人类 在这个任务中的基准线，也才80.83% 。
　　而解锁这一成就的，是来自阿里巴巴达摩院团队的AliceMind-MMU 。
　　而此举也就意味着，AI 于2015年、2018年分别在视觉识别和文本理解超越人类之后，在多模态技术方面也取得了突破！AI比你更会看图
　　这个AI有多会看图？
　　来看下面几个例子就知道了。
　　当你问AI：＂这些玩具用来做什么的？＂
　　它就会根据小熊穿的礼服，回答道：
　　婚礼。
　　给AI再提一个问题：＂男人的橄榄球帽代表哪只球队？＂
　　它会根据帽子中的＂B＂字母回答：
　　波士顿球队 。
　　加大挑战难度再来一个。
　　＂图中玩具人的IP出自哪部电影？＂
　　这时候，AI 就会根据图中的玩具，还有战斗场景等信息，做一个推理。
　　不过最后还是精准的给出了答案：
　　星球大战 。
　　再例如下面这些例子中，AI都会捕捉图片中的细节信息，来精准回答提出的问题。
　　嗯，可以说是细致入微了。怎么做到的？
　　可能上面的这些案例，对于人类来说并不是很困难。
　　但对于AI来说，可不是件容易的事情。
　　一个核心难点就是：
　　需要在单模态精准理解的基础上，整合多模态的信息进行联合推理认知，最终实现跨模态理解。
　　怎么破？
　　阿里达摩院的做法是，对AI视觉-文本推理体系进行了系统性的设计，融合了大量的创新算法。
　　具体来看，大致可以分为四个内容：多样性的视觉特征表示 ：从各方面刻画图片的局部和全局语义信息，同时使用Region，Grid，Patch等视觉特征表示，可以更精准地进行单模态理解； 基于海量图文数据和多粒度视觉特征的多模态预训练 ：用于更好地进行多模态信息融合和语义映射，提出了SemVLP、Grid-VLP、E2E-VLP和Fusion-VLP等预训练模型。 自适应的跨模态语义融合和对齐技术 ：在多模态预训练模型中加入Learning to Attend机制，来进行跨模态信息地高效深度融合。 Mixture of Experts (MOE）技术 ：进行知识驱动的多技能AI集成。
　　据了解，模型中涉及技术还得到了专业的认可。
　　例如多模态预训练模型E2E-VLP，已经被国际顶级会议ACL2021接受。
　　关于VQA
　　VQA，可以说是AI领域难度最高的挑战之一。
　　而对于单一AI模型来说，VQA考卷难度堪称＂变态＂。
　　在测试中，AI需要根据给定图片及自然语言问题，生成正确的自然语言回答。
　　这意味着单个AI模型，需要融合复杂的计算机视觉及自然语言技术：首先对所有图像信息进行扫描。 再结合对文本问题的理解，利用多模态技术学习图文的关联性、精准定位相关图像信息。 最后根据常识及推理回答问题。
　　但解决VQA的挑战，对研发通用人工智能具有重要意义。
　　因此，全球计算机视觉顶会CVPR从2015年起连续6年举办VQA挑战赛。
　　吸引了包括微软、Facebook、斯坦福大学、阿里巴巴、百度等众多顶尖机构参与。
　　同时，也形成了国际上规模最大、认可度最高的VQA数据集，其包含超20万张真实照片、110万道考题。
　　据了解，今年6月，阿里达摩院在VQA 2021 Challenge的55支提交队伍中夺冠，成绩领先第二名约1个百分点、去年冠军3.4个百分点。
　　而仅仅在2个月后的今天，达摩院再次以81.26%的准确率创造VQA Leaderboard全球纪录。
　　达摩院对此评价道：
　　这一结果意味着，AI在封闭数据集内的VQA表现已媲美人类。
　　相关论文链接：
　　[1]https://aclanthology.org/2021.acl-long.42/
　　[2]https://aclanthology.org/2021.acl-long.493/
　　[3]https://openreview.net/forum?id=Wg2PSpLZiH
　　VQA示例链接：
　　https://nlp.aliyun.com/portal#/multi_modal
　　达摩院AliceMind开源链接：
　　https://github.com/alibaba/AliceMind
　　— 完 —
　　量子位 QbitAI · 头条号签约
　　关注我们，第一时间获知前沿科技动态