首次超越人类：“读图会意”这件事，AI 比你眼睛更毒辣

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。