谷歌AI團隊近日推出了一款新型圖像標注方式——“流體標注”，即采用機器學習來注釋分類標簽并勾勒出圖片中的每個對象和背景區域。谷歌官方表示其可將標志數據集的速度進步三倍。

　　百度眾測平臺去年曾發布了5000萬元的數據標注任務，而今年估計將達3億元。面對如此大的市場需求，效率低、托付質量良莠不齊的人工標注方式亟待改善。谷歌此次推出的“流體標注”如何為圖像標注提速？

　　數據標注——機器感知世界的起點

　　“數據標注是人工智能產業的根底，是機器感知理想世界的起點。從某種水平上來說，沒有經過標注的數據就是無用數據。”美國加州科技大學校長秦志剛教授在承受科技日報記者采訪時表示，機器辨認事物主要經過物體的一些特征。被辨認的物體還需求經過數據標注才干讓機器曉得這個物體是什么。

　　在機器的世界里，圖像與語音、視頻等一樣，是數據的一個品種。近年來，隨著數碼產品以及存儲技術的疾速提高和開展，人們每天都可經過相機、可視電話、監控及醫療設備等制造大量圖像。因而，現階段圖像已然成為標注產業開展的重點對象。

　　假如素材是一張人物圖像，那么需求標注的信息常常是性別、面部朝向、人種、有無帽子眼鏡等，也能夠人為地將人物和背景的區域劃分開來。將成千上萬張經過標注的圖片組成的數據集“投喂”給機器，它才干在一張全新的圖像中分辨出人物在哪個區域、具有怎樣的外貌特征。關于人來說“小兒科”的考慮進程，機器卻需求大量的標志數據集停止鍛煉。

　　機器學習——緩解人工標注的壓力

　　提到人工智能產業，人們常常聯想到繁華的城市和干練的IT精英，但實踐上，支撐起人工智能的數據標注產業，卻是一個勞動密集型產業。百度搜索“數據標注”，會呈現很多圖片語音視頻數據采集、標注公司。隨機選擇一個此類詞條點進去，常常會看到“萬人數據標注團隊”等相似宣傳語。可見人工標注是目前數據標注的主要方式。

　　“谷歌推出的流體標注模型主要應用人工智能學習的根底，對圖像數據停止自動標注，關于標注不精確或者呈現偏向的中央能夠經過人工調整，從而進步標注效率。”秦志剛指出，即使該模型可借助機器學習提升標注速度，但最初還需停止人為地數據標注，為其提供初始鍛煉數據集。事實也正是如此，為了標注圖片，谷歌預先以約一千張具有分類標簽和信任分數的圖片鍛煉了語意分割模型。

　　但該模型尚不圓滿，谷歌稱，物體邊境標志問題、界面操作速度以及類別擴展等仍需進一步研討或完善。

　　人工智能——努力于生活中的簡單應用

　　固然還有諸多難題尚待攻克，但以流體標注模型為代表的數據標注新方式無疑順應著人工智能的大潮流。實踐上，自人工智能逐步走熱以來，很多行業都想搭上這個熱潮。但是，在灼熱的潮流背后，掩藏著一個基本性的問題：人工智能終將走向何方？

　　“人工智能的實質是機器具有‘學習’的才能，不可思議，人工智能能夠極度縮短人類本身的學習時間，從而將人從大范圍腦力學習活動中解放出來，去專注于更有價值的工作。”秦志剛表示，固然人們普遍以為人工智能終將到來，但現階段人工智能產業仍在云端。目前大多數人工智能的應用只能生存在高性能處置器的大型廠房中，就好像第一代通用計算機ENIAC一樣“大而笨重”。“眾所周知，隨后的幾十年內計算機飛速開展到小型的筆記本電腦，功用卻比ENIAC更強大。人工智能也當如此”。

　　界面簡單、功用友好、毫無相關學問根底的人都能運用并取得溫馨感，這是秦志剛想象的人工智能時期。一枚小小的人工智能芯片，能夠完成學習、鍛煉、推理等一系列“考慮”過程，而它的終端表現則或許只是人們生活中最為常見的簡單應用。如下班回家，不需再拿出鑰匙開門，智能門鎖就像一位失職的管家，會在第一時間感知你的到來，為你敞開家門。“十年之后，人工智能將會成為主流，潛移默化浸透到生活中的各種角落。別看是小事情，背后卻是高密集的技術支撐。”秦志剛表示。

　　“愿景非常美妙，但如何將人工智能落地和提高推行？這將是我們下一步亟待攻克的難題。”秦志剛說。