向善而生的AI助盲 ,让AI多一点 ,障碍少一点******
有人说 ,盲人与世界之间 ,相差的只是一个黎明 。在浪潮信息研发人员 的心中 ,失去视力的盲人不会陷入永夜,科技的进步正在力图给每一个人以光明未来 。
AI助盲在人工智能赛道上一直是最热门的话题之一 。以前,让失明者重见光明依靠的是医学的进步或“奇迹”。而随着以“机器视觉+自然语言理解”为代表 的多模态智能技术的爆发式突破 ,更多 的失明者正在借助AI提供的感知、理解与交互能力 ,以另一种方式重新“看见世界”。
新契机 :多模态算法或将造福数以亿计失明者
科学实验表明,在人类获取的外界信息中 ,来自视觉 的占比高达70%~80% ,因此基于AI构建机器视觉系统 ,帮助视障患者拥有对外界环境的视觉感知与视觉理解能力 ,无疑是最直接有效的解决方案。
一个优秀 的AI助盲技术,需要通过智能传感、智能用户意图推理和智能信息呈现的系统化发展 ,才能构建信息无障碍的交互界面。仅仅依靠“一枝独秀”超越人类水平的单模态人工智能比如计算机视觉技术还远远不够 ,以“机器视觉+自然语言理解”为代表的多模态算法的突破才是正确 的新方向和新契机 。
多个模态 的交互可以提升AI的感知、理解与交互能力 ,也为AI理解并帮助残障人士带来了更多可能 。浪潮信息研发人员介绍说 ,多模态算法在AI助盲领域的应用一旦成熟 ,将能够造福数以亿计 的失明者 。据世卫组织统计,全球至少22亿人视力受损或失明 ,而我国是世界上盲人最多的国家 ,占世界盲人总数的18%-20%,每年新增的盲人数量甚至高达45万 。
大挑战:如何看到盲人“眼中” 的千人千面
AI助盲看似简单 ,但多模态算法依然面临重大挑战。
多模态智能算法,营造的是沉浸式人机交互体验。在该领域,盲人视觉问答任务成为学术界研究AI助盲 的起点和核心研究方向之一 ,这项研究已经吸引了全球数以万计的视障患者参与 ,这些患者们上传自己拍摄 的图像数据和相匹配的文本问题,形成了最真实的模型训练数据集 。
但 是在现有技术条件下 ,盲人视觉问答任务 的精度提升面临巨大挑战:一方面 是盲人上传 的问题类型很复杂 ,比如说分辨冰箱里的肉类、咨询药品的服用说明 、挑选独特颜色的衬衣 、介绍书籍内容等等 。
另一方面,由于盲人的特殊性,很难提取面前物体的有效特征。比如盲人在拍照时,经常会产生虚焦 的情况,可能上传 的照片 是模糊的或者没有拍全 ,或者没拍到关键信息,这就给AI推理增加了难度。
为推动相关研究 ,来自卡内基梅隆大学等机构 的学者们共同构建了一个盲人视觉数据库“VizWiz” ,并发起全球多模态视觉问答挑战赛 。挑战赛是给定一张盲人拍摄 的图片和问题 ,然后要求给出相应 的答案,解决盲人的求助 。
另外,盲人 的视觉问答还会遭遇到噪声干扰 的衍生问题。比如说 ,盲人逛超市 ,由于商品外观触感相似 ,很容易犯错 ,他可能会拿起一瓶醋却询问酱油 的成分表,拿起酸奶却询问牛奶的保质期等等。这种噪声干扰往往会导致现有AI模型失效,没法给出有效信息。
最后,针对不同盲人患者 的个性化交互服务以及算法自有的反馈闭环机制 ,同样也是现阶段 的研发难点。
多解法 :浪潮信息AI助盲靶向消灭痛点
AI助盲哪怕形式百变,无一例外都是消灭痛点,逐光而行。浪潮信息多模态算法研发团队正在推动多个领域 的AI助盲研究 ,只为帮助盲人“看”到愈发精彩的世界。
在VizWiz官网上公布的2万份求助中 ,盲人最多的提问就是想知道他们面前的 是什么东西,很多情况下这些物品没法靠触觉或嗅觉来做出判断 ,例如 “这本书书名是什么?”为此研发团队在双流多模态锚点对齐模型 的基础上,提出了自监督旋转多模态模型,通过自动修正图像角度及字符语义增强 ,结合光学字符检测识别技术解决“ 是什么”的问题 。
盲人所拍摄图片模糊 、有效信息少?研发团队提出了答案驱动视觉定位与大模型图文匹配结合的算法 ,并提出多阶段交叉训练策略,具备更充分的常识能力,低质量图像 、残缺的信息 ,依然能够精准 的解答用户的求助。
目前浪潮信息研发团队在盲人视觉问答任务VizWiz-VQA上算法精度已领先人类表现9.5个百分点 ,在AI助盲领域斩获世界冠军两项 、亚军两项。
真实场景中 的盲人在口述时往往会有口误 、歧义 、修辞等噪声。为此 ,研发团队首次提出视觉定位文本去噪推理任务FREC ,FREC提供3万图片和超过25万的文本标注,囊括了口误 、歧义 、主观偏差等多种噪声,还提供噪声纠错 、含噪证据等可解释标签。同时 ,该团队还构建了首个可解释去噪视觉定位模型FCTR,噪声文本描述条件下精度较传统模型提升11个百分点。上述研究成果已发表于ACM Multimedia 2022会议,该会议为国际多媒体领域最顶级会议、也是该领域唯一CCF推荐A类国际会议。
在智能交互研究方面上 ,浪潮信息研发团队构建了可解释智能体视觉交互问答任务AI-VQA,同时给出首个智能体交互行为理解算法模型ARE 。该研究成果已发表于ACM Multimedia 2022会议 。该研究项目 的底层技术未来可广泛应用于AI医疗诊断 、故事续写 、剧情推理 、危情告警 、智能政务等多模态交互推理场景 。
眼球虽然对温度并不敏感,但浪潮信息 的研发团队 ,却在努力让盲人能“看”到科技的温度,也希望吸引更多人一起推动人工智能技术在AI助盲、AI反诈、AI诊疗 、AI灾情预警等更多场景中的落地 。有AI无碍,跨越山海。科技 的伟大之处不仅仅在于改变世界,更重要的 是如何造福人类,让更多的不可能变成可能。当科技成为人 的延伸,当AI充满人性光辉 ,我们终将在瞬息万变的科技浪潮中感受到更加细腻温柔 的善意,见证着更加光明宏大 的远方 。
(文图:赵筱尘 巫邓炎)