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