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/
cvpr 在 CVPR 2021 - Facebook Research 的推薦與評價
We seek to advance the state-of-the-art in computer vision through fundamental and applied research in open collaboration with CVPR's dynamic scientific ... ... <看更多>