未來五年消費(fèi)者使用語音、圖像來表達(dá)需求的比例將超過 50%。

百度董事長(zhǎng)兼 CEO 李彥宏如是說。單純的文字搜索時(shí)代已經(jīng)漸行漸遠(yuǎn)了，如今的搜索引擎，可以直接搜索語音和圖片，這也催生了他們?cè)陔娮由虅?wù)中的應(yīng)用，比如依圖搜索商品。

圖片搜索引擎中，我們較為熟悉的有 Google，上傳圖片或輸入 URL 地址，Google 就會(huì)按圖索驥，給你圖片來源、相似圖片等搜索結(jié)果。這一切，都基于 Google 復(fù)雜的圖像識(shí)別算法，對(duì)圖像“指紋掃描”，包括像素、顏色，亮度，從而進(jìn)行圖片的特征提取，繼而找出相似結(jié)果。

而 Google 又要在這個(gè)領(lǐng)域更進(jìn)一步了。據(jù)《紐約時(shí)報(bào)》報(bào)道，Google 和斯坦福大學(xué)的科學(xué)家團(tuán)隊(duì)研發(fā)了新一代的圖片識(shí)別技術(shù)：給圖片做文字描述。識(shí)別的范圍也不僅僅是圖片，也包括視頻畫面。

目前的圖片識(shí)別技術(shù)只識(shí)別出圖像中的單個(gè)物體，而這項(xiàng)新技術(shù)識(shí)別的是整幅畫面，并進(jìn)行標(biāo)記，用自然語言（英語）進(jìn)行描述。比如，“草原上的大象”、“玩飛盤的年輕人”這樣的字句。圖片被如此“翻譯”過后，就能夠更容易、更準(zhǔn)確的分類，在被搜索時(shí)能提供更精確的結(jié)果。

用“文字搜索”協(xié)助“圖片搜索”的好處顯而易見：這項(xiàng)技術(shù)也可以幫助視障人士，或者應(yīng)用在公共監(jiān)控的安全系統(tǒng)上——監(jiān)控?cái)z像頭所捕捉到的不僅是“面部”和單個(gè)個(gè)體，它可以識(shí)別整個(gè)畫面，包括其中的運(yùn)動(dòng)、行為，自動(dòng)報(bào)警。

也就是說，它為機(jī)器的認(rèn)知和自我學(xué)習(xí)提供了新的技術(shù)基礎(chǔ)。研究人員的靈感來自人類大腦的神經(jīng)元網(wǎng)絡(luò)，這個(gè)網(wǎng)絡(luò)讓大腦可以自我“訓(xùn)練”，看到新事物時(shí)可以發(fā)現(xiàn)記憶中相似的事物。Google 要做的就是這樣的一個(gè)大腦，可以認(rèn)知、可以理解圖片的內(nèi)容。

認(rèn)知是人類所具備的一種重要的能力，我們的大腦能夠通過認(rèn)知，也就是綜合大量信息，來確定一個(gè)人的身份，一個(gè)物品的種類，這是人類智力的基礎(chǔ)。計(jì)算機(jī)如果能做到這一點(diǎn)并不容易，Google X 曾動(dòng)用了 1000 臺(tái)電腦，一共 16000 顆處理器，創(chuàng)造一個(gè)多達(dá) 10 億個(gè)連接的神經(jīng)網(wǎng)絡(luò)，在 1000 萬張略縮圖中，找到包含“可愛小貓”的圖片。

當(dāng)然，這項(xiàng)技術(shù)最主要的障礙在于識(shí)別的準(zhǔn)確性，一些圖像識(shí)別專家并不看好它，認(rèn)為它只是復(fù)制了人類的視覺能力，反而在理解圖像時(shí)更模棱兩可。

盡管如此，讓計(jì)算機(jī)識(shí)別“真相”需要計(jì)算機(jī)科學(xué)開創(chuàng)新的圖形搜索技術(shù)。“我認(rèn)為圖片和視頻中的像素?cái)?shù)據(jù)是互聯(lián)網(wǎng)的暗物質(zhì)（Dark matter），我們希望照亮它。”項(xiàng)目的領(lǐng)隊(duì)、斯坦福大學(xué)人工智能實(shí)驗(yàn)室的李飛飛（Fei-Fei Li）說。