“一個小孩子還不會說話時，看到杯子就知道抓過來喝水。這說明他已學到很多視覺知識。”在日前舉辦的2021中國·寧波新一代人工智能學術(shù)峰會上，中國工程院院士、中國工程院原常務(wù)副院長潘云鶴解釋道。
以往的認知心理學研究認為，人類記憶的視覺知識要遠多于言語知識。為此，潘云鶴系統(tǒng)提出了“視覺知識”概念。
這些年，圖像識別技術(shù)的突破提高了計算機對人臉、文字、指紋、醫(yī)學圖片等識別的準確率，進而推動智能汽車、安全監(jiān)控、機器人、無人機、智能制造等快速發(fā)展，形成人工智能（AI）對經(jīng)濟社會發(fā)展的推動。
“但以往AI研究的一大弱點是對視覺知識研究不足，視覺知識研究與應(yīng)用是AI邁向2.0的關(guān)鍵。”潘云鶴說。
在潘云鶴看來，視覺知識至少有五個基本問題，分別是視覺知識表達、視覺識別、視覺形象變化模擬、視覺知識學習和多重知識表達。其中，視覺知識表達和多重知識表達是關(guān)鍵所在。
對于第一個問題視覺知識表達，潘云鶴認為，認知心理學實驗表明，視覺知識具有不同于言語知識的特征，包括能表達對象的空間形狀、大小、色彩、紋理和空間關(guān)系，能表達對象的動作、速度及時間關(guān)系，能進行對象的時空變換、操作與推理等。
“計算機圖像學是表達幾何，而非表達視覺概念。”潘云鶴強調(diào)。他進一步解釋，視覺概念由典型和范疇構(gòu)成，還有層次結(jié)構(gòu)和動作結(jié)構(gòu)；視覺命題表達視覺概念的空間關(guān)系和時間關(guān)系，前者表達為場景結(jié)構(gòu)，后者表達為動態(tài)結(jié)構(gòu)；最后形成由一組視覺命題構(gòu)成的視覺述事。
對于第二個問題視覺識別，潘云鶴介紹，從AI早期開始，模式識別便作為一個重要研究領(lǐng)域，其中圖像和視頻識別是發(fā)展最快的方向。
使用基于數(shù)字圖像處理技術(shù)的圖像識別技術(shù)，是一種從局部特征綜合為整體的方法。近年來，深度學習提供了另一種方法，即用大量標識的圖像訓練出深度神經(jīng)網(wǎng)絡(luò)模型（DNN）用以圖像識別，該方法已獲廣泛應(yīng)用。他表示，DNN的優(yōu)點是可以從標識的樣本數(shù)據(jù)中通過學習而自動獲得知識，也可以用于非符號數(shù)據(jù)的識別，如圖像與語音識別；但其缺點也同樣明顯，如不可解釋、不可推理，需要大量被標識的數(shù)據(jù)來訓練網(wǎng)絡(luò)等。
值得注意的是，人類進行視覺識別的方法，與DNN的方法不盡相同。它不僅分析視網(wǎng)膜傳入的短期記憶中的數(shù)據(jù)，而且動用了長期記憶中的視覺知識。正因為如此，人類的視覺識別往往只需少量的數(shù)據(jù)，且可以解釋、推理。
“因此，視覺識別不但要使用數(shù)據(jù)，而且要使用視覺知識，是視覺識別重要的研究方向。”潘云鶴說。
潘云鶴提出第三個問題是視覺形象變化模擬。形象變化是人類在設(shè)計創(chuàng)意和問題求解時重要的智能行為。而模擬形象變化，需要操作視覺形象的物理變化、生物變化、想象變化等。以想象變化為例，即在創(chuàng)意與設(shè)計新產(chǎn)品中的各種想象性操作，如阿凡達、獅子王、小飛象等。
實際上，視覺形象變化模擬在CAD、仿真模擬、計算機動畫、兒童教育和數(shù)字媒體創(chuàng)意等領(lǐng)域的應(yīng)用十分廣泛。按照數(shù)字媒體的不同，可分為從字符生成視覺形象、從一種視覺形象變換為另一種形象、從視覺形象生成文本等。
潘云鶴判斷，計算機圖像學已儲備了很多基礎(chǔ)技術(shù)，但有待和AI打通。“做好了，有望形成新一代設(shè)計軟件的基礎(chǔ)。”
第四個問題是視覺知識學習。事實上，計算機視覺研究已注意到形體重構(gòu)的重要性，并積累了很多成果，如3D掃描重構(gòu)形體、多相機重構(gòu)形體、基于video重構(gòu)形體等。但視覺知識學習要將目標從形狀重構(gòu)轉(zhuǎn)換為視覺知識概念和命題的重建，則需要對現(xiàn)有計算機視覺技術(shù)進一步研究。
“在此基礎(chǔ)上，有望發(fā)展出視覺知識的自動學習，當前的場景圖是此方向前進的一步。”潘云鶴表示，為此，當今AI、計算機圖像學和計算機視覺三個領(lǐng)域的研究者特別需要聯(lián)手，進一步研究視覺知識的自動學習。
最后一個問題是多重知識表達。研究發(fā)現(xiàn)，人腦中的知識是多重表達的。在潘云鶴看來，在AI 2.0中的知識也應(yīng)有多重表達，如知識的言語表達、知識的深度神經(jīng)學習網(wǎng)絡(luò)表達、知識的形象表達。
他強調(diào)，AI 2.0要使多種知識表達相通使用，就是多重知識表達，而它將形成跨媒體智能和大數(shù)據(jù)智能的技術(shù)基礎(chǔ)。
潘云鶴分析，從視覺知識的五大問題來看，視覺形象變化模擬、視覺識別、視覺知識學習的解決有較好的基礎(chǔ)，但視覺知識表達、多重知識表達尚需大力攻關(guān)。“這是一塊荒蕪而肥沃的‘北大荒’，也是一塊充滿希望且值得探索的‘無人區(qū)’。”
來源：《中國科學報》
