笔趣阁

手机浏览器扫描二维码访问

337 智能与坏血合（第1页）

“在传统的视觉分类当中，其实图片的标签分级也是一个很麻烦的事情。如果能够直接对应到人类语言当中，我想智能水平会强大很多倍。”孟繁岐这里提到的问题【图片的标签分级】是一个老牌难题了，简单点说就是图像的类别到底应该怎么分才科学。

为一张图片标注一個类别非常容易，只需要直接写明图片中的物体是什么就好，比如图像主要内容是一个茶杯，那就打一个标签【茶杯】。

做完分类训练之后，模型就会对图片做出对应的预测。

但这样就够了吗？

我们人类所追求的高级智能显然不能局限如此，茶杯的后面还有很多其他意味。

比如茶杯是用来做什么的？它是一种工具吗？如何使用它？它的颜色是怎样的？

这些东西，全都是大部分人类看到图片后都有基本概念的。

换而言之，孟繁岐想要结合文本和语言，本质上是想要图像智能在判定内容之后，进一步结合语言智能的能力。

可以做到比较详尽地描述一张图片，用人类的语言，说人类会感兴趣的内容，甚至于介绍人类不懂的内容。

传统的图像分类任务，它的本质太过初级了，这些任务的具体设定与标签设置也非常不讲究。

比如孟繁岐13年的成名竞赛，Image是千分类数据集，也就是说千万级别的图片当中，一共包含了一千个图片类别！

孟繁岐估摸着，如果让一个普通人现在马上说出两百个种类，恐怕都是相当费劲的一件事情。

那个Image数据集的一千个分类，其实就有不少水分。比如一千类中就包括了上百种猫和狗，简直就是个宠物窝。

里面许多类其实根本就不是一个层级的，比如猫狗在人类的概念中应该和车辆的一些大类别平级。具体的猫狗种类，则应该与某种品牌的车辆平级。

可实际上，当时那个数据集一千类的层级分得非常混乱，也就不利于构建一个更加聪明的图像智能。

它对这些类别缺乏一个树状的结构和概念。

“这个时候问题就来了，在训练千分类模型的时候类别区分了百来种猫狗，做得是非常精细的分类。如果我现在改变主意了，只想要简单地分类猫狗两个类别了，图像模型还能够做到吗？”

答案是勉强能，但做得不大好。

直接拿模型去做，效果甚至可能会非常差。但是稍稍微调之后，性能则又会有很大的提升。

这对人类来说，并不大容易理解。

因为按理来说，模型都能精确分类这些具体的猫狗品种了，那应该属于非常大师级别的能力。

毕竟大多数人类其实也不认得几种品种的猫狗，现在如果简化任务只分猫狗，那一定可以做得更好。

但实则不然，模型的表现并不如大家预料的那么优秀。

这就说明了一件事，传统的图像分类训练形式不能够理解哈士奇和金毛其实都是狗。

在编码端，它们可能只是类别7和类别39，两者并无关系。

缺少文本上的能力，也就很难归纳不同类别之间的关联。

“这种现象说明视觉模型的归纳能力还不够，只得其形而未得其神。”韩辞其实是能想到办法来解决这个问题的，那就是多标签。

这也是视觉领域内流行的办法，我给一张哈士奇的照片同时打上【哈士奇】和【狗】两种标签，问题就解决了。

不过很显然这是治标不治本的。

这么套娃下去，还有动物，6地生物，雪橇犬，笨狗等多种属性。

标签是打不完的，标签多了，图像模型的训练也非常难做。

况且，标签打多了。。。那不就成了详细的语言描述了吗？

似乎绕了一大圈，兜兜转转还是回到了文本加图像的相互对应上面。

在孟繁岐宣布了图像加文本的c1ip思路后，c1oseaI的其他人讨论了好几天，仍旧没法想到更好的办法。

众人不得不惊叹孟繁岐的这个思路简洁明了，就像是残差思想一样。

说穿了，就是一两句话可以说明白做法和思路的事情，可偏偏就没有其他人曾经这么做过。

而就在学界业界忙着研究视觉T方法，c1oseaI偷偷开始做文本加图像特征对齐的时候。

一件许久之前的事情突然闯入了孟繁岐的生活，打了他一个措手不及。

2o16年的新春时分，卡雷鲁出版了一本偏纪实性质的小说，标题为《智能与坏血：硅谷中的奇迹与谎言》。

由于时隔太久，孟繁岐看到这个作者名的时候还愣了两秒钟，随后才反应过来，卡雷鲁是一年多之前，那位揭露了霍尔姆斯惊天谎言的华尔街日报记者。

彼时，孟繁岐曾经给过他一些建议和帮助。

不过主要还是依靠他个人的意志和勇气，在霍尔姆斯未倒之前，顶住了极大的压力，坚持报道了真相。

“我依稀记得，他当时好像跟我说是想把这件事写成剧本来着，还问我愿不愿意出力在剧中扮演我自己。”孟繁岐对这件事情稍微有点印象，但着实不多了。

如果不是自己扮演自己的提议非常喜感，孟繁岐恐怕早就彻底忘记了这件事情。

仔细算算日期，这马上都快两年前的事情了。

两年的时间不算短，卡雷鲁的这番创作，过程也颇为波折。

最开始的确如他跟孟繁岐所说的那样，计划将这个故事拍成电影，事情起初也很顺利，很快就谈到一半了。

结果在钱的问题上搞崩了，先是拖了好几个月，接着又被放了鸽子不了了之。